opencv色彩空间类型转换

---

前言

色彩空间类型转换是图像处理中的一个重要概念，用于在不同的色彩空间之间转换图像数据。不同的色彩空间适用于不同的处理任务，例如颜色校正、图像增强、对象检测等。OpenCV 提供了多种色彩空间转换功能，这些转换有助于解决图像处理中的各种问题。

这一章全是理论，枯燥乏味

---

1. 常见的色彩空间

1.1 BGR (Blue, Green, Red)：

这是opencv框架里默认的彩色图像格式，OpenCV 中图像通常以 BGR 格式表示。
作用: 适用于大多数标准的图像处理任务。需要转换到其他色彩空间进行特定的操作。
前面文章有做详细讲解。

BGR图片读取

import cv2

# 读取图像，默认以 BGR 格式读取
bgr_image = cv2.imread('image.jpg')

1.2 RGB (Red, Green, Blue)：

常见的彩色图像格式，广泛用于图像显示和处理。
作用: 人眼的颜色感知方式。许多图像处理库和图形处理软件使用 RGB 格式。
前面文章有做详细讲解。

RGB图片读取

import cv2

# 读取 RGB 图像
rgb_image = cv2.imread('image.jpg', cv2.IMREAD_COLOR)

RGB转BGR

import cv2

# 读取 RGB 图像
rgb_image = cv2.imread('image.jpg', cv2.IMREAD_COLOR)

# 转换为 BGR 色彩空间
bgr_image = cv2.cvtColor(rgb_image, cv2.COLOR_RGB2BGR)

1.3 GRAY (灰度)：

将彩色图像转换为灰度图像，去除颜色信息，只保留亮度信息。
作用: 常用于图像分析、边缘检测和图像增强。
前面文章有做详细讲解。

import cv2

# 读取图像为灰度图
gray_image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

GRAY转BGR

import cv2

# 读取图像为灰度图
gray_image = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)

# 将灰度图像转换为 BGR 图像
bgr_image = cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR)

1.4 HSV (Hue, Saturation, Value)：

HSV 色彩空间（Hue, Saturation, Value）是一种用于图像处理和颜色选择的色彩模型，它模拟了人类对颜色的感知方式。
这种模型常用于图像编辑、图像分割和计算机视觉任务，因为它将颜色的不同特性分离成三个独立的分量，使得颜色调整和处理更加直观。
前面文章有做详细讲解。

HSV 色彩空间的三个分量

1. H (Hue): 色相，表示颜色的种类或色调。色相分量定义了颜色的基本类型，例如红色、绿色、蓝色等。其范围通常为 0 到 360 度：

   • 0° 或 360°: 红色
   • 120°: 绿色
   • 240°: 蓝色

2. S (Saturation): 饱和度，表示颜色的纯度或强度。饱和度分量决定了颜色的强度，值越高颜色越纯，值越低颜色越接近灰色。范围通常为 0% 到 100%：

   • 0%: 无颜色（灰色）
   • 100%: 最纯的颜色

3. V (Value): 明度，表示颜色的亮度或强度。明度分量决定了颜色的亮度，值越高颜色越亮，值越低颜色越暗。范围通常为 0% 到100%：

   • 0%: 完全黑色
   • 100%: 最亮的颜色

HSV 色彩空间的特点

1. 直观性: HSV色彩空间提供了一种更加直观的方式来调整颜色，因为它将颜色的色调、饱和度和亮度分开处理。用户可以独立调整这些参数，从而方便地选择和修改颜色。

2. 颜色选择和调整: 在图像处理软件和图形编辑应用中，HSV 色彩空间常用于颜色选择工具和滑块，因为它允许用户更容易地选择和调整颜色。

3. 图像分割: 在计算机视觉任务中，HSV 色彩空间常用于图像分割和特征提取，因为它可以更容易地分离颜色信息，尤其是在变化的光照条件下。

opencv不支持直接读取HSV格式，需要先以BGR格式读取图片，然后再转成HSV格式

import cv2

# 读取图像，默认以 BGR 格式读取
bgr_image = cv2.imread('image.jpg')

# 将 BGR 图像转换为 HSV 色彩空间
hsv_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2HSV)

1.5 LAB (Luminance, A, B)：

Lab 色彩空间（或 CIELAB 色彩空间）是一种用于图像处理和颜色分析的色彩模型，由国际照明委员会（CIE）定义。
目的是提供一种与人眼感知一致的颜色表示方式。(怎么感觉跟HSV有点一样？)

Lab 色彩空间由三个通道组成：

• L (Lightness): 明度通道，表示颜色的亮度。L 值的范围通常是 0 到 100，其中 0 表示黑色，100 表示白色。
• a (a Channel): 色彩通道，表示从绿色到红色的范围。负值表示绿色，正值表示红色。
• b (b Channel): 色彩通道，表示从蓝色到黄色的范围。负值表示蓝色，正值表示黄色。

Lab 色彩空间的特点：

• 与人眼感知一致: Lab 色彩空间设计为与人眼感知的颜色差异一致，因此它对于颜色比较和颜色差异分析非常有用。
• 设备无关: Lab 色彩空间与设备的显示特性无关，适合用于颜色校正和颜色转换。。

Lab作用：
1. 颜色校正
Lab 色彩空间用于颜色校正，因为它提供了与人眼感知一致的颜色表示。L*（亮度）分量与 a* 和 b*（色度）分量分开，使得可以精确调整图像的颜色和亮度。通过在 Lab 色彩空间中调整颜色，可以有效地进行颜色校正和修正。

2. 颜色匹配
在印刷和数字媒体中，Lab 色彩空间常用于颜色匹配，因为它能准确地描述颜色差异。Lab 色彩空间中的颜色差异（例如 ΔE）可以用于评估两个颜色的相似度，这对于确保不同设备和介质之间的一致性非常重要。

类似于 HSV 色彩空间，OpenCV 不支持直接以 Lab 色彩空间读取图像。图像通常以 BGR 格式读取，你需要先读取图像为BGR格式，然后将其转换为 Lab 色彩空间。

import cv2

# 读取图像，默认以 BGR 格式读取
bgr_image = cv2.imread('image.jpg')

# 将 BGR 图像转换为 Lab 色彩空间
lab_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2Lab)

1.6 YUV：

YUV 色彩空间是一种用于图像和视频处理的色彩模型，尤其在视频压缩和广播中使用广泛。
它将图像的颜色信息分解为亮度和色度分量，以便于图像压缩和处理。

YUV 色彩空间的分量

• Y (Luminance): 亮度分量，表示图像的明暗信息。Y 分量决定了图像的亮度，而不包含颜色信息。范围通常是 0 到 1 或 0 到 255（在 8 位图像中）。Y 分量可以单独用来描述图像的亮度信息。
• U (Chrominance Blue): 色度蓝分量，表示蓝色成分的色度信息。U 分量描述了颜色的蓝色成分。它的范围通常是 -0.5 到 0.5 或 -128 到 127（在 8 位图像中）。
• V (Chrominance Red): 色度红分量，表示红色成分的色度信息。V 分量描述了颜色的红色成分。它的范围通常是 -0.5 到 0.5 或 -128 到 127（在 8 位图像中）。

YUV 色彩空间的特点

• 亮度和色度分离: YUV 色彩空间将亮度（Y）和色度（U 和 V）信息分开，使得色度信息可以以较低的分辨率进行采样，从而减少数据量。这对于视频压缩和传输非常有效，因为人眼对亮度变化更敏感，对色度变化不那么敏感。
• 用于视频压缩: YUV 色彩空间常用于视频编码和压缩，如 MPEG 和 JPEG，因为它允许将亮度和色度信息分开处理，从而提高压缩效率。
• 广播和视频处理: 在电视广播和视频处理领域，YUV 色彩空间被广泛使用。例如，PAL 和 NTSC 等模拟电视标准使用 YUV 色彩空间。

YUV 变换

• 从 RGB 转换到 YUV: 图像从 RGB 色彩空间转换为 YUV 色彩空间，可以使用以下公式：

$$\{\begin{array}{l}Y=0.299R+0.587G+0.114B\\ U=-0.147R-0.289G+0.436B\\ V=0.615R-0.515G-0.100B\end{array}$$

• 从 YUV 转换到 RGB: 反向转换公式为：
  $$\{\begin{array}{l}R=Y+1.13983V\\ G=Y-0.39465U-0.58060V\\ B=Y+2.03211U\end{array}$$

OpenCV 不支持直接以 YUV 色彩空间读取图像。

import cv2

# 读取图像，默认以 BGR 格式读取
bgr_image = cv2.imread('image.jpg')

# 将 BGR 图像转换为 YUV 色彩空间
yuv_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2YUV)

2. LAB 与HSV区别

Lab 和 HSV 是两种不同的色彩空间，各自具有不同的用途和特点。

Lab特点：

• 与人眼感知一致: Lab 色彩空间设计用于更准确地反映人眼对颜色的感知。它能更好地表示颜色差异，适合用于颜色比较和分析。

• 设备无关: Lab 色彩空间不依赖于具体的设备（如显示器或打印机），因此非常适合用于颜色校正和匹配。

• 用途广泛: 常用于图像处理、颜色校正、图像分析等领域。

HSV特点：

• 直观: HSV 色彩空间在颜色调整和选择时非常直观。例如，可以很容易地调整颜色的色相、饱和度和亮度。

• 常用于图像处理: HSV 色彩空间常用于图像分割、颜色滤波和增强等处理任务，因为其分量（特别是色相和饱和度）与实际视觉感受较为一致。

• 用途广泛: 适用于图像编辑软件和计算机视觉任务。

总结比较

• Lab 色彩空间更注重颜色差异和人眼感知的准确表示，适合于颜色校正和颜色分析。它是一个设备无关的色彩空间。

• HSV 色彩空间更适合进行直观的颜色调整和处理，如图像分割和颜色滤波。它的直观特性使得在图像编辑和计算机视觉中非常有用。

在实际应用中，选择哪种色彩空间取决于具体的任务需求。Lab 适合于需要精确颜色表示和差异分析的场景，而 HSV 适合于需要直观操作和处理的场景。