人脸红图提取（基于opencv提取人脸热图）

一、红色图获得原理

观察例图我们可以发现，红色图本质上是提取了原图的红色部分，即温度较高的部分，猜测图2应该是由原始图片经过红外温度扫描成像的，因此要从图1转变为图2应该首先提取红色部分，如何再进行图像增强，提升对比度等操作。

1.1红色部分提取

由于脸颊、粉刺和嘴唇的红色略有不同，为了使得提取更加精确我采用了分段式提取。

并确定了最终的色彩范围

	H	S	V
mask1	10-14	0-255	188-196
mask2	8-10	0-255	0-255
mask3	1-8	0-255	0-255

之所以选择在HSV色域中进行红色部分的提取，是因为RGB通道并不能很好地反映出物体具体的颜色信息，而相对于RGB空间，HSV空间能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，方便进行颜色之间的对比。（附上HSV色域空间图如下所示）

1.2颜色关系映射

1.2.1 映射关系试算一

在提取红色部分后，我们得到了三个掩膜mask1、mask2、mask3，但仅据此还无法将t1.png转换为t2.png，他们之间存在一个颜色关系映射，但这个映射关系我们无法准确获得，仅能通过概率统计的方式获取一个近似值。分别打印出原始图片t1三个通道的值origin_H、origin_S、origin_V、和红色例图t2的HSV值red_H，red_S，red_V。

我们期望获得从origin(H,S.V)到red(H,S,V)之间的颜色关系映射，这个映射并不直观，但是通过观察我们不难发现t2的H值基本在176附近，因此可近似任务红色图中的H值为定值，而观察red_S我们发现它个origin_H的变化相似只不过符号相反，因此可以尝试用origin_H线性映射到red_S。又发现red_V和red_S之间也有类似的关系，取red_S=red_V，当然不能直接取值，还需要根据值域对公式进行调整，上式只是简单的说明了他们之间的关系，下面是通过上述映射关系得到的成像，可以看到图像失真很严重，这是因为我们仅仅利用了origin_H这一个原始特征进行拟合，信息丢失严重！

1.2.2 映射关系试算二

再次观察数据分布我们发现origin_S的变化也影响着red_S，因此我们可以合理对origin_H和origin_S做线性组合来近似拟合red_S的变化。

经过权重调整，我们最终选定了用这一映射关系来近似拟合red_H。

 

同样的，对red_V进行拟合得到

于是根据这个映射关系，我们可以将原图映射到红图，得到如下结果，相比来说，精度已经提升了很多但是对于一些细节未能得到凸显，处理的效果仍然不好。

1.2.3 映射关系试算三

观察映射关系二中拟合的结果，我们不难发现有很多散点特别分散，根本无法用线性函数进行拟合，而且不同补位，如图像从脸部到嘴唇，色彩鲜艳度应该是剧烈上升，亮度极具下降，而脸部不同皮肤之间的过渡应该缓慢改变S、V值，因此我们考虑用分段函数进行拟合，正如我们对原图进行mask的时候一样，这里我们在原始拟合函数的基础上，根据自变量的不同进行函数参数的调整（这一步很麻烦，需要不停的根据效果图，结合S表示饱和度即鲜艳程度、V表示亮度，反复修改拟合函数的参数），以达到良好的分段效果。

使用调整后的映射关系可得到如下图像，已经能明显识别各个红区了，但图像对比度仍然有所不足。

最后使用图像增强技术，利用gamma变换增加图像的对比度，Gamma变换的本质就是用来图像增强，其提升了暗部细节，简单来说就是通过非线性变换，让图像从暴光强度的线性响应变得更接近人眼感受的响应，即将漂白（相机曝光）或过暗（曝光不足）的图片，进行矫正，得到HSV色域下处理的最终图像。

经过Gamma变换后的输入和输出图像灰度值关系如图所示：横坐标是输入灰度值，纵坐标是输出灰度值，蓝色曲线是gamma值小于1时的输入输出关系，红色曲线是gamma值大于1时的输入输出关系。可以观察到，当gamma值小于1时(蓝色曲线)，图像的整体亮度值得到提升，同时低灰度处的对比度得到增加，更利于分辩低灰度值时的图像细节。

1.3 转HSV色域下处理的最终结果