第6章 Python 数字图像处理(DIP) - 彩色图像处理3 -色彩变换、彩色校正、彩色图像平滑和锐化、HSI彩色空间中的分割、RGB空间中的分割、彩色边缘检测

最新推荐文章于 2023-04-15 13:05:46 发布
最新推荐文章于 2023-04-15 13:05:46 发布
阅读量2.9k 收藏 50
点赞数 8
分类专栏： 数字图像处理(DIP)--Python # 第6章 彩色图像处理 文章标签： 图像处理 边缘检测 计算机视觉 python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jasneik/article/details/117150673
版权

这里写目录标题

色彩变换

# 图像颜色分量的显示
from PIL import Image

img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0630(01)(strawberries_fullcolor).tif')
img_cmyk = img_ori.convert("CMYK")

img_temp = np.array(img_cmyk)
img_c = img_temp[:, :, 0]
img_m = img_temp[:, :, 1]
img_y = img_temp[:, :, 2]
img_k = img_temp[:, :, 3]

plt.figure(figsize=(20, 25))
plt.subplot(541), plt.imshow(img_cmyk), plt.title('Original CMYK')

# CMYK, seems is CMY, as K is all black
plt.subplot(545), plt.imshow(img_c, 'gray'), plt.title('Cyan')
plt.subplot(546), plt.imshow(img_m, 'gray'), plt.title('Magenta')
plt.subplot(547), plt.imshow(img_y, 'gray'), plt.title('Yellow')
plt.subplot(5, 4, 8), plt.imshow(img_k, 'gray'), plt.title('Black')

# Show RGB channels
img_rgb = np.array(img_ori)
plt.subplot(5, 4, 9), plt.imshow(img_rgb[:, :, 0], 'gray'), plt.title('Red')
plt.subplot(5, 4, 10), plt.imshow(img_rgb[:, :, 1], 'gray'), plt.title('Green')
plt.subplot(5, 4, 11), plt.imshow(img_rgb[:, :, 2], 'gray'), plt.title('Blue')

# Show HSI channels
img_hsi = img_ori.convert("HSV")
img_hsi = np.array(img_hsi)
plt.subplot(5, 4, 13), plt.imshow(img_hsi[:, :, 0], 'gray'), plt.title('Hue')
plt.subplot(5, 4, 14), plt.imshow(img_hsi[:, :, 1], 'gray'), plt.title('Saturation')
plt.subplot(5, 4, 15), plt.imshow(img_hsi[:, :, 2], 'gray'), plt.title('Intensity')

plt.tight_layout()
plt.show()

在这里插入图片描述

from PIL import Image

img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0630(01)(strawberries_fullcolor).tif')
img_cmyk = img_ori.convert("CMYK")

img_temp = np.array(img_cmyk)
img_c = img_temp[:, :, 0]
img_m = img_temp[:, :, 1]
img_y = img_temp[:, :, 2]
img_k = img_temp[:, :, 3]

plt.figure(figsize=(20, 25))
plt.subplot(541), plt.imshow(img_cmyk), plt.title('Original CMYK')

# CMYK, seems is CMY, as K is all black
plt.subplot(545), plt.imshow(img_c, 'gray'), plt.title('Cyan')
plt.subplot(546), plt.imshow(img_m, 'gray'), plt.title('Magenta')
plt.subplot(547), plt.imshow(img_y, 'gray'), plt.title('Yellow')
plt.subplot(548), plt.imshow(img_k, 'gray'), plt.title('Black')

# change K value
img_k_new = img_k * 1 + 150
img_cmyk_new = np.dstack((img_c, img_m, img_y, img_k_new))

plt.subplot(549), plt.imshow(img_cmyk_new, 'gray'), plt.title('New CMYK')

plt.tight_layout()
plt.show()

在这里插入图片描述

def gamma_img(img, c, gamma):
    
    img = np.array(img).astype(float)
    output_img = c * img ** gamma
    img_scale = np.uint8((output_img / output_img.max()) * 255)
    
    return img_scale

def sigmoid_plot(img, scale):
    x = np.linspace(img.min(), img.max(), 500)
    x1 = x - 125
    y = 1 / (1 + np.exp(-x1 / scale))
    return x, y
    plt.plot(x, y)
    plt.grid()

def sigmoid_transform(img, scale):
    
    img = np.array(img).astype(float)
    img_temp = (img - 125.)
    
    img_new = 1 / (1 + np.exp(-img_temp / scale))
    
    img_new = np.uint8(normalize(img_new) * 255)
    
    return img_new

# 色调和彩色校正
from PIL import Image

img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0635(top_ left_flower).tif')

plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(img_ori), plt.title('Original')

img_colour = sigmoid_transform(img_ori, 30)

plt.subplot(132), plt.imshow(img_colour), plt.title('Colour Correct')

# x, y = sigmoid_plot(np.array(img_ori), 40)
# plt.subplot(133), sigmoid_plot(np.array(img_ori), 40), plt.title("Transform")

x, y = sigmoid_plot(np.array(img_ori), 40)
plt.axes([0.68, 0.15, 0.15, 0.3]), plt.plot(x, y), plt.title("Transform"), plt.grid()

# plt.tight_layout()
plt.show()

在这里插入图片描述

# 色调和彩色校正
from PIL import Image

img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0635(middle_row_left_chalk ).tif')

plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img_ori), plt.title('Original')

img_colour = gamma_img(img_ori, 1, 1.5)

plt.subplot(1, 2, 2), plt.imshow(img_colour), plt.title('Colour Correct')

plt.tight_layout()
plt.show()

在这里插入图片描述

# 色调和彩色校正
from PIL import Image

img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0635(bottom_left_stream).tif')

plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img_ori), plt.title('Original')

img_colour = gamma_img(img_ori, 1, 0.5)

plt.subplot(1, 2, 2), plt.imshow(img_colour), plt.title('Colour Correct')

plt.tight_layout()
plt.show()

在这里插入图片描述

彩色图像平滑和锐化

import numpy as np

def arithmentic_mean(image, kernel):
    """
    :param image: input image
    :param kernel: input kernel
    :return: image after convolution
    """
    
    img_h = image.shape[0]
    img_w = image.shape[1]

    m = kernel.shape[0]
    n = kernel.shape[1]

    # padding
    padding_h = int((m -1)/2)
    padding_w = int((n -1)/2)

    image_pad = np.pad(image.copy(), (padding_h, padding_w), mode="constant", constant_values=0)

    image_convol = image.copy()
    for i in range(padding_h, img_h + padding_h):
        for j in range(padding_w, img_w + padding_w):
            temp = np.sum(image_pad[i-padding_h:i+padding_h+1, j-padding_w:j+padding_w+1] * kernel)
            image_convol[i - padding_h][j - padding_w] = 1/(m * n) * temp
    image_convol = np.uint8(normalize(image_convol) * 255)
    return image_convol

# 图像颜色分量的显示
from PIL import Image

# img_ori = Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0638(a)(lenna_RGB).tif')
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0638(a)(lenna_RGB).tif')
img_ori = img_ori[:, :, ::-1]

# Show RGB channels
plt.figure(figsize=(10, 10))
img_rgb = np.array(img_ori)
plt.subplot(2, 2, 1), plt.imshow(img_rgb), plt.title('RGB')
plt.subplot(2, 2, 2), plt.imshow(img_rgb[:, :, 0], 'gray'), plt.title('Red')
plt.subplot(2, 2, 3), plt.imshow(img_rgb[:, :, 1], 'gray'), plt.title('Green')
plt.subplot(2, 2, 4), plt.imshow(img_rgb[:, :, 2], 'gray'), plt.title('Blue')

plt.tight_layout()
plt.show()

# Show HSI channels
plt.figure(figsize=(15, 5))
img_hsi = cv2.cvtColor(np.array(img_ori), cv2.COLOR_RGB2HSV)
img_hsi = np.array(img_hsi)
plt.subplot(1, 3, 1), plt.imshow(img_hsi[:, :, 0], 'gray'), plt.title('Hue')
plt.subplot(1, 3, 2), plt.imshow(img_hsi[:, :, 1], 'gray'), plt.title('Saturation')
plt.subplot(1, 3, 3), plt.imshow(img_hsi[:, :, 2], 'gray'), plt.title('Intensity')

plt.tight_layout()
plt.show()

在这里插入图片描述在这里插入图片描述

# 图像平滑
mean_kernal = np.ones([5, 5])
mean_kernal = mean_kernal / (mean_kernal.size)

img_rgb_new = np.zeros(img_rgb.shape, np.uint8)

for i in range(3):
    img_temp = img_rgb[:, :, i]
    img_dst = arithmentic_mean(img_temp, kernel=mean_kernal)
    img_rgb_new[:, :, i] = img_dst

img_hsi_new = np.zeros(img_rgb.shape, np.uint8)

for i in range(3):
    if i == 2:
        img_temp = img_hsi[:, :, i]
        img_dst = arithmentic_mean(img_temp, kernel=mean_kernal)
        img_hsi_new[:, :, i] = img_dst
    else:
        img_hsi_new[:, :, i] = img_hsi[:, :, i]
    
img_hsi_rgb = cv2.cvtColor(img_hsi_new, cv2.COLOR_HSV2RGB)

img_diff = img_rgb_new - img_hsi_rgb

plt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1), plt.imshow(img_rgb_new), plt.title('RGB')
plt.subplot(1, 3, 2), plt.imshow(img_hsi_rgb), plt.title('HSI RGB')
plt.subplot(1, 3, 3), plt.imshow(img_diff), plt.title('Differenc')

plt.tight_layout()
plt.show()

在这里插入图片描述

def laplacian_img(img_gray):
    # 拉普拉期算子，用于边缘检对于检测图像中的模糊也非常有用
    kernel_laplacian = np.array((
                        [0,1,0],
                        [1,-4,1],
                        [0,1,0]), np.int8)

    imgkernel_laplacian = cv2.filter2D(img_gray, -1, kernel_laplacian)
    
    laplacian_img = np.uint8(normalize(img_gray + imgkernel_laplacian) * 255)
    
    return laplacian_img

# 图像锐化
img_rgb_new = np.zeros(img_rgb.shape, np.uint8)

for i in range(3):
    img_temp = img_rgb[:, :, i]
    img_dst = laplacian_img(img_temp)
    img_rgb_new[:, :, i] = img_dst

img_hsi_new = np.zeros(img_rgb.shape, np.uint8)

for i in range(3):
    if i == 2:
        img_temp = img_hsi[:, :, i]
        img_dst = laplacian_img(img_temp)
        img_hsi_new[:, :, i] = img_dst
    else:
        img_hsi_new[:, :, i] = img_hsi[:, :, i]
    
img_hsi_rgb = cv2.cvtColor(img_hsi_new, cv2.COLOR_HSV2RGB)

img_diff = img_rgb_new - img_hsi_rgb

plt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1), plt.imshow(img_rgb_new), plt.title('RGB')
plt.subplot(1, 3, 2), plt.imshow(img_hsi_rgb), plt.title('HSI RGB')
plt.subplot(1, 3, 3), plt.imshow(img_diff), plt.title('Differenc')

plt.tight_layout()
plt.show()

在这里插入图片描述

使用彩色分割图像

HSI 彩色空间中的分割

# HSI彩色图像分割

img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0642(a)(jupiter_moon_original).tif')
img_ori = img_ori[:, :, ::-1] # BGR 2 RGB

# Show HSI channels
plt.figure(figsize=(14, 20))
img_hsi = cv2.cvtColor(np.array(img_ori), cv2.COLOR_RGB2HSV)

plt.subplot(4, 2, 1), plt.imshow(img_ori), plt.title('Ori')
plt.subplot(4, 2, 2), plt.imshow(img_hsi[:, :, 0], 'gray'), plt.title('Hue')
plt.subplot(4, 2, 3), plt.imshow(img_hsi[:, :, 1], 'gray'), plt.title('Saturation')
plt.subplot(4, 2, 4), plt.imshow(img_hsi[:, :, 2], 'gray'), plt.title('Intensity')

# Threshold
img_s = normalize(img_hsi[:, :, 1])
thresh = 0.255 #0.255 #img_s.max() * 0.1 + 0.233
print(thresh)

img_thresh = img_s.copy()
img_thresh = np.where(img_thresh <= thresh, img_thresh, 1)
img_thresh = np.where(img_thresh > thresh, img_thresh, 0)
plt.subplot(4, 2, 5), plt.imshow(img_thresh, 'gray'), plt.title('Binary Thred of Saturation')

# Threshold X Hue
img_thred_hue = img_hsi[:, :, 0] * img_thresh
plt.subplot(4, 2, 6), plt.imshow(img_thred_hue, 'gray'), plt.title('Hue X Binary Thred')

# Histogram
plt.subplot(4, 2, 7), plt.hist(img_thred_hue.flatten(), bins=256), plt.title('Hue X Binary Thred')

# Binary
img_binary = img_thred_hue.copy()
img_binary = np.where(img_binary <= 125, img_binary, 255) # >125 为1
img_binary = np.where(img_binary > 125, img_binary, 0)  # < 125为0
plt.subplot(4, 2, 8), plt.imshow(img_binary, 'gray'), plt.title('Binary')

plt.tight_layout()
plt.show()

0.255

在这里插入图片描述

RGB空间中的分割

  1. 欧氏距离
  2. 协方差矩阵
  3. 边界盒
def rgb_segment(img_rgb, img_roi, d0):
    """
    RGB spatial domain sementation base of ROI
    param: img_rgb: input image, RGB channel
    param: img_roi: region of interesting of the image where you want to be seperated
    param: d0: the Euculidean distance of the ROI region against others
    return: img_dst, a mask image range [0, 1]    
    """
    mean = np.mean(img_roi, axis=(0, 1))
    sigma = np.std(img_roi, axis=(0, 1))
    img_dst = np.zeros(img_rgb.shape[:2])
    height, width = img_dst.shape
    
    for h in range(height):
        for w in range(width):
            temp = img_rgb[h, w]
            if np.linalg.norm(temp - mean) <= d0:
                img_dst[h, w] = 1
            else:
                img_dst[h, w] = 0
                
    return img_dst

# RGB彩色图像分割

img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0642(a)(jupiter_moon_original).tif')
# img_ori = img_ori[:, :, ::-1] # BGR 2 RGB
img_rgb = cv2.cvtColor(img_ori, cv2.COLOR_BGR2RGB)

plt.figure(figsize=(14, 20))
plt.subplot(4, 2, 1), plt.imshow(img_rgb), plt.title('Ori')

# draw rectangle
# img_rect = cv2.rectangle(img_rgb, (60, 240), (98, 315), (255, 255, 255), 2)
# plt.subplot(4, 2, 2), plt.imshow(img_rect), plt.title('ROI')

# show ROI
roi = img_rgb[240:315, 60:98, :]
mean = np.mean(roi, axis=(0, 1))
sigma = np.std(roi, axis=(0, 1))
print(f"RGB mean -> {mean}")
print(f"RGB sigma  -> {sigma}")
plt.subplot(4, 2, 3), plt.imshow(roi), plt.title('ROI')

img_dst = rgb_segment(img_rgb, roi, d0=38)
            
plt.subplot(4, 2, 4), plt.imshow(img_dst, 'gray'), plt.title('Segment')

plt.tight_layout()
plt.show()   

RGB mean -> [146.81298246  40.47473684  42.62385965]
RGB sigma  -> [23.60878011 25.67369246 17.97835714]

在这里插入图片描述

彩色边缘检测

img1_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(a)(RGB1-red).tif', -1)
img1_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(b)(RGB1-green).tif', -1)
img1_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(c)(RGB1-blue).tif', -1)

img1_rgb = np.dstack((img1_r, img1_g, img1_b))

img2_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(e)(RGB2_red).tif', -1)
img2_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(f)(RGB2_green).tif', -1)
img2_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0645(g)(RGB2_blue).tif', -1)

img2_rgb = np.dstack((img2_r, img2_g, img2_b))

plt.figure(figsize=(20, 10))

plt.subplot(2, 4, 1), plt.imshow(img1_r, 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 2), plt.imshow(img1_g, 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 3), plt.imshow(img1_b, 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 4), plt.imshow(img1_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])

plt.subplot(2, 4, 5), plt.imshow(img2_r, 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 6), plt.imshow(img2_g, 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 7), plt.imshow(img2_b, 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 8), plt.imshow(img2_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])

plt.tight_layout()
plt.show()

在这里插入图片描述

彩色图像中的噪声

# RGB channel merge to RGB image
img1_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0648(a)(lenna-noise-R-gauss-mean0-var800).tif', 0)
img1_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0648(b)(lenna-noise-G-gauss-mean0-var800).tif', 0)
img1_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0648(c)(lenna-noise-B-gauss-mean0-var800).tif', 0)
img1_rgb = np.dstack((img1_r, img1_g, img1_b))

plt.figure(figsize=(10, 10))

plt.subplot(2, 2, 1), plt.imshow(img1_r, 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 2), plt.imshow(img1_g, 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 3), plt.imshow(img1_b, 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 2, 4), plt.imshow(img1_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])

plt.tight_layout()
plt.show()

在这里插入图片描述

# convert RGB to HSI, noise affect all channels
img1_hsi = cv2.cvtColor(img1_rgb, cv2.COLOR_RGB2HSV_FULL)

plt.figure(figsize=(15, 5))

plt.subplot(1, 3, 1), plt.imshow(img1_hsi[:, :, 0], 'gray'), plt.title('Hue'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 2), plt.imshow(img1_hsi[:, :, 1], 'gray'), plt.title('Saturation'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 3), plt.imshow(img1_hsi[:, :, 2], 'gray'), plt.title('Intensity'), plt.xticks([]), plt.yticks([])

plt.tight_layout()
plt.show()

在这里插入图片描述

# RGB image, only green channel affect noise, but convert to HSI, all channel affect
img1_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0650(a)(rgb_image_G_saltpep_pt05).tif')
img1_rgb = img1_ori[:, :, ::-1]

plt.figure(figsize=(20, 10))

img1_hsi = cv2.cvtColor(img1_rgb, cv2.COLOR_RGB2HSV_FULL)

plt.subplot(2, 4, 1), plt.imshow(img1_rgb), plt.title('RGB'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 2), plt.imshow(img1_hsi[:, :, 0], 'gray'), plt.title('Hue'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 3), plt.imshow(img1_hsi[:, :, 1], 'gray'), plt.title('Saturation'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 4), plt.imshow(img1_hsi[:, :, 2], 'gray'), plt.title('Intensity'), plt.xticks([]), plt.yticks([])

plt.subplot(2, 4, 5), plt.imshow(img1_rgb[:, :, 0], 'gray'), plt.title('R channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 6), plt.imshow(img1_rgb[:, :, 1], 'gray'), plt.title('G channel'), plt.xticks([]), plt.yticks([])
plt.subplot(2, 4, 7), plt.imshow(img1_rgb[:, :, 2], 'gray'), plt.title('B channel'), plt.xticks([]), plt.yticks([])

plt.tight_layout()
plt.show()

在这里插入图片描述

jasneik
关注
  • 8
    点赞
  • 踩
  • 50
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
数字图像处理第六章 ——彩色图像处理（下）
Dujing2019的博客
05-04 9655
数字图像处理第六章数字图像处理---彩色图像处理（五） 彩色图像的空间滤波5.1 彩色图像的平滑处理5.2 彩色图像的锐化处理（六） 直接在 RGB 矢量空间中 处理6.1 使用梯度的彩色边缘检测6.2 在 RGB向量空间中分割图像 数字图像处理—彩色图像处理 （五） 彩色图像的空间滤波 5.1 彩色图像的平滑处理 令 Sxy表示彩色图像中以(x,y)为中心的邻域的一组坐标。在该邻域中，R...
彩色图像分割（欧几里得距离，Mahalanobis距离）、数字图像处理Matlab版
VegetableofDog的博客
12-01 3816
数字图像处理、matlab版、彩色图像分割、欧几里得距离、Mahalanobis距离、二值图像、平均矢量、协方差矩阵、感兴趣区域
冈萨雷斯《数字图像处理》学习笔记（六）彩色图像处理
qq_37692302的博客
04-19 4774
目录 一、彩色基础 二、彩色模型 三、色彩转换 四、彩色图像处理基础 五、彩色图像处理 六、彩色图像的噪声 七、彩色图像的压缩 附加知识点 一、彩色基础 彩色定义：彩色是物体的一种属性，他依赖于一下三个方面的因素。 （1）光源——照射光的谱性质或谱能量分布 （2）物体——被照射物体的反射性质 （3）成像接收器（眼睛或成像传感器）——光谱能量吸收性质 二、彩色模型...
opencv python（二）---色彩通道拆分及合并，获取图像属性，感兴趣区域（roi）
qq_43046763的博客
11-02 753
opencv python（二）---通道拆分及合并，获取图像属性，感兴趣区域（roi）通道拆分及合并拆分拆分效果合并合并效果获取图像属性感兴趣区域（roi） 通道拆分及合并 拆分     色彩空间是 RGB 色彩空间、通道顺序是 BGR（蓝色、绿色、红色）。有时我们需要对 BGR 三个通道分别进行操作。这时你就需要把 BGR 拆分成单个通道，类似于一个红，绿，蓝分别有一个幕布，将其他颜色滤掉。有时你需要把独立通道的图片合并成一个 BGR 图像。 需要用到函数：sp
数字图像处理 第六章 彩色图像处理
qq_59026468的博客
07-17 1859
彩色图像处理
matlab4.zip_HSI图像处理_memberb91_彩色图像锐化
07-13
数学图像处理中的对彩色图像进行锐化滤波，并将RGB模型转变为HSI模型
论文研究-基于离散K-L变换的彩色图像平滑滤波.pdf
07-22
该方法的基本思想是对RGB颜色空间进行正交变换，解除分量间的相关性，然后应用现有的平滑滤波方法对变换后的分量进行平滑，最后再恢复到RGB空间显示。实验结果表明，该方法与基于RGB模型的滤波方法及基于HSI模型的...
数字图像处理：5第六章 彩色图像处理.pdf
06-12
彩色图像处理是数字图像处理的一个重要分支，它涉及到彩色图像的基础知识、彩色空间、伪彩色处理、全彩色图像处理、彩色变换、彩色图像平滑和尖锐化等方面。 彩色图像基础知识是研究彩色图像处理的基础。彩色图像...
数字图像处理 A_彩色图像处理.pdf
01-29
该文档包含数字图像处理(冈萨雷斯第三版)中的彩色图像处理（RGB转HSI、伪彩色图像处理、彩色图像滤波等）实验，包含整个实验过程和原理解释，以及详细的执行代码。代码复制后可在matlab中直接运行。
新建文件夹 (3)_iris_彩色图像_锐化_平滑_
10-03
对图像“ “Fig0604(a)(iris).tif...）（函数 imfilter）在 HSI 空间实现彩色图像的平滑（w=ones（25）./(25*25)），（函数 imfilter rgb2hsi cat），观察仅平滑亮度分量（intensity）和平滑全 部三个分量结果的差别。
基于HSI空间的图像分割算法
01-14
在HSI空间下的使用OSTU算法做的图像分割，自己编写，很适合初学者，代码十分详细，在matlab下已运行成功。
机器视觉技术分享-彩色图像处理 含c++ ,python代码说明
changjuanfang的专栏
04-15 716
以上代码示例演示了一个彩色图像处理过程，它将输入的彩色图像转换为HSV颜色空间，然后分别对色调、饱和度、亮度进行调整，并将调整后的H、S、V三个通道合并，最后转换回RGB颜色空间输出结果。彩色图像处理是指对彩色图像进行数字处理和分析的过程，其目的是提取图像的有用信息，改善图像质量，实现图像的增强、复原、分割、匹配、识别等功能。5. 特征提取和分类：通过对彩色图像的纹理、形态、颜色等特征进行提取和分类，可以实现对图像的自动识别和分类等功能。原始图像（test.jpg）
数字图像处理第六章笔记
方悔读书迟
08-19 1227
一、彩色模型 GRB：绿、红、蓝 CMY：青、粉红、黄 CMYB：青、粉红、黄、黑 HSI：色调、饱和度、亮度 色调与饱和度称为色度，颜色可以用色度和亮度来表示 1、GRB彩色模型 图中RGB原色值位于3个角，二次色青色、深红色和黄色位于另外3顶点上，黑色位于原点处，白色位于离原点最远的角上。（颜色都归一化） 每幅红、绿、蓝图像都是一幅8比特图像，全彩色表示24比特的RGB图像。 但实际使用的只有216种稳定色。（000000~FFFFFF） 2、CMY和CMYK彩色模型 青色、深红色，黄色是光的二次色
python计算机视觉学习第9章——图像分割
jgq1466693的博客
08-21 4674
基于这种标记在RGB值上可以训练除一个朴素贝叶斯分类器，之后计算每一个像素的分类概率，这些计算除的分类概率便是从源点出来到汇点取的边的权重。图割图像分割的思想是用图来表示图像，并对图进行划分以使割代价最小，用图表示图像时，增加两个额外的节点，源点和汇点，并仅考虑那些将源点和汇点分开的割。这里使用的图像是书中用的数据集图像，可以帮助评价分割性能的真实标记，并模拟用户选择矩形图像区域或用‘lasso’之类的工具来标记前景和背景的标注信息。除像素节点以外还需两个特定的节点——源点与汇点，代表图像的前景和背景。
【OpenCV 例程300篇】209. HSV 颜色空间的彩色图像分割
youcans的博客
06-24 8492
HSV 模型在对指定颜色分割时非常有效。用 H 和 S 分量表示颜色距离，颜色距离指代表两种颜色之间的数值差异。对于不同的彩色区域，混合 H 与 S 变量，划定阈值，就可以进行简单的分割。 函数 inRange () 可以实现按颜色区域 [lowerb，upperb] 对图像进行二值分割 。 ............
图像色彩增强之python实现——MSR,MSRCR,MSRCP,autoMSRCR
热门推荐
蘇丶的博客
03-04 3万+
最近在做街景图象色彩校正方面的工作，对于过暗，过曝光，以及背光等现象，用过一些gamma校正以及其他的方法，最终选择基于Retinex原理的方法对这几种现象都有一定的增强效果。最开始的时候是基于Retinex的单尺度的SSR。原理很多博客都解释了，但是感觉看起来很复杂，我感觉就三个步骤： 1）将图像进行log变换 2）然后将log图像进行高斯模糊 3）利用原图和模糊之后的log图像做差分 之后很多...
第6章 Python 数字图像处理(DIP) - 彩色图像处理2 - 灰度分层（灰度分割）和彩色编码，灰度值到彩色变换，Gray to RGB
jasneik的博客
05-22 2204
第6章主要讲的是彩色图像处理，一些彩色模型如RGB，CMK，CMYK，HSI等色彩模型；彩色模型的变换关系；还包含由灰度图像怎样处理成假彩色图像；使用彩色分割图像等。本章比较少理论还有变换的描述，主要以代码为主，如有需要，请自行查看书本。 这里写目录标题假彩色图像处理灰度分层（灰度分割）和彩色编码灰度值到彩色变换Gray -> RGB 假彩色图像处理 灰度分层（灰度分割）和彩色编码 def gray_slice(img_gray): img_ori = img_gray / 255.
Python中的图像处理（第十四章）Python图像分割（1）
sinat_34897952的博客
06-04 5129
Python中的图像处理（第十四章）Python图像分割（1）前言一. Python准备二. Python仿真三. 小结 前言 随着人工智能研究的不断兴起，Python的应用也在不断上升，由于Python语言的简洁性、易读性以及可扩展性，特别是在开源工具和深度学习方向中各种神经网络的应用，使得Python已经成为最受欢迎的程序设计语言之一。由于完全开源，加上简单易学、易读、易维护、以及其可移植性、解释性、可扩展性、可扩充性、可嵌入性：丰富的库等等，自己在学习与工作中也时常接触到Python，这个系列文章的
使用Python+OpenCV的色彩过滤和和分割
moonlightpeng的博客
10-28 531
opencv
数字图像处理课后答案冈萨雷斯hsi彩色模型
最新发布
10-30
数字图像处理中，冈萨雷斯(HSV)色彩模型是一种广泛应用的颜色模型。 冈萨雷斯(HSI)色彩模型是指将颜色分解为三个独立的特性：色调(Hue)、饱和度(Saturation)和强度(Intensity)。色调指的是颜色的属性，比如红色、绿色、蓝色等。饱和度表示颜色的纯度或浓度，值越高意味着颜色越鲜艳或浓郁，值越低则表示颜色越灰暗或淡薄。强度是指颜色的亮度或明暗程度，值越高表示颜色越明亮，值越低则表示颜色越暗。 与其他颜色模型相比，HSI色彩模型具有许多优点。首先，它与人类视觉感知有很好的对应关系，使得我们可以更直观地理解图像中的颜色。其次，HSI模型可以方便地对颜色进行分析和调整，比如对图像进行色彩增强、色彩校正等操作。最后，HSI模型具有较强的色彩不变性，即不受光照条件的影响，可以更好地保持颜色的一致性。 在数字图像处理中，我们可以利用HSI色彩模型进行各种颜色相关的操作。例如，可以使用HSI模型对图像进行颜色分割，即将图像中的不同颜色分开，便于进一步分析或处理。此外，还可以利用HSI模型对图像进行色彩均衡，使得整个图像的色调更加平衡，色彩更加鲜艳。同时，HSI模型还可以用于图像的去除背景等应用。 总之，冈萨雷斯(HSI)色彩模型在数字图像处理中拥有广泛的应用，能够方便地对图像的颜色进行分析、调整和处理，提高图像的视觉效果和质量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

jasneik

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值