CV — 色彩空间：RGB、HSV、HLS

CV — 色彩空间：RGB、HSV、HLS

一、 RGB

(一) RGB 颜色系统

1. RGB 简介：

   • RGB是从颜色发光的原理来设计定的，通俗点说它的颜色混合方式就好像有红、绿、蓝三盏灯，当它们的光相互叠合的时候，色彩相混，而亮度却等于三者亮度之总和，越混合亮度越高，即加法混合。

   • 红、绿、蓝 三个颜色通道 每种色各分为 256 阶亮度（范围：0 ~ 255）：
     在0时“灯”最弱——是关掉的，而在255时“灯”最亮。当三色灰度数值相同时，产生不同灰度值的灰色调，即三色灰度都为 0 时（0，0，0），是最暗的黑色调；三色灰度都为255时（255，255，255），是最亮的白色调。

2. RGB 的局限性：

   • 自然环境下获取的图像容易受 自然光照、遮挡和阴影 等情况的影响，即对 亮度 比较敏感。而 RGB 颜色空间的三个分量都与亮度密切相关，即只要亮度改变，三个分量都会随之相应地改变，而没有一种更直观的方式来表达。
   • 人眼对于这三种颜色分量的敏感程度是不一样的，在单色中，人眼对红色最不敏感，蓝色最敏感，所以 RGB 颜色空间是一种均匀性较差的颜色空间。如果颜色的相似性直接用欧氏距离来度量，其结果与人眼视觉会有较大的偏差。对于某一种颜色，我们很难推测出较为精确的三个分量数值来表示。
   • 总结：RGB 颜色空间适合于显示系统，却并不适合于图像处理。

二、HSV

(一) HSV颜色模型

HSV（Hue, Saturation, Value）是根据颜色的直观特性由 A. R. Smith 在1978年创建的一种颜色空间, 也称六角锥体模型（Hexcone Model）。

这个模型中颜色的参数分别是：色调（Hue），饱和度（Saturation），明度（Saturation）。

用下面这个圆柱体来表示 HSV 颜色空间，圆柱体的横截面可以看做是一个极坐标系 ，H 用极坐标的极角表示，S 用极坐标的极轴长度表示，V 用圆柱中轴的高度表示。

1. 色调H：

   用角度度量，取值范围为 0°～360°，表示色彩信息，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°。
   它们的补色是：黄色为60°，青色为180°，紫色为300°；

   • 在 RGB 中 颜色由三个值共同决定，比如黄色为即 (255，0，255)；在HSV中，黄色只由一个值决定，Hue = 60即可。

2. 饱和度S：

   饱和度S：表示颜色接近光谱色的程度。饱和度越高，说明颜色越深，越接近光谱色；饱和度越低，说明颜色越浅，越接近白色。饱和度为0表示纯白色。通常取值范围为：0%～100%，值越大，颜色越饱和。

   一种颜色，可以看成是 某种光谱色 与 白色 混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。

3. 明度V：

   明度：表示颜色明亮的程度。对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）~ 100%（白）。明度为0表示纯黑色（此时颜色最暗）。

• HSV 在线取色板：

  • HSV 在线取色板
    上面概念那么多，不如自己动手实操一下。

• 补充理解：

  • 描述一件物品的颜色的时候通常会说 “它是什么颜色(H)?”，“颜色深不深(S)?”，"亮不亮(V)?"
    恰好可以对应 HSV 中的：色调、饱和度、明度

• 区别点：

  RGB颜色空间更加面向于工业，而 HSV 更加面向于用户，大多数做图像识别这一块的都会运用HSV颜色空间，因为HSV颜色空间表达起来更加直观。

  基于RGB 的局限性，在 图像处理 中使用较多的是 HSV 颜色空间，它比 RGB 更接近人们对彩色的感知经验。非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。

  在 HSV 颜色空间下，比 BGR 更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。

• 注意：在 OpenCV 中 HSV 三个分量的范围为：

  • H = [0,179]；S = [0,255]；V = [0,255]

  • 测试代码：

    import cv2
    
    image = cv2.imread('000007.jpg')
    cv2.imshow('org_img', image)
    
    img_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    cv2.imshow('img_hsv', img_hsv)
    
    // 对应 hsv 三通道的值
    H, S, V = cv2.split(img_hsv)
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    

(二) 代码案例

1. HSV 值进行目标物体的提取

1. 获取要跟踪物体颜色的HSV值
   对一个BGR值进行颜色空间转换，得到HSV值。

   >>> blue = np.uint8([[[255,0,0]]])
   >>> hsv_blue = cv2.cvtColor(blue, cv2.COLOR_BGR2HSV)
   >>> print(hsv_blue)
   [[[120 255 255]]]
   

2. 使用该 HSV 值范围进行目标物体的提取：
   提取方案：

   • 根据 RGB 的值（如：#869C90,#899F92,#8A9E92,#8A9F8E），转换得到 HSV 各通道的数值范围
   • 然后对其中的Hue值进行加10和减10（这里的10也可以为其他值，视具体情况而定），得到Hue的范围，还要指定S和V的范围：
   • 最后整个HSV值的上限和下限为 [hue+10，100，100]和 [hue-10，255，255]，S和V的下限值可以根据实际情况设置。

   按照以上确定好的 HSV 的范围 进行提取。

   • 代码如下：

     import cv2
     import numpy as np
     
     path = "compass.jpg"
     img = cv2.imread(path)
     
     # Convert BGR to HSV
     hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
     
     sensitivity = 15
     
     # define range of blue color in HSV
     lower_blue = np.array([120-sensitivity,100,100])
     upper_blue = np.array([120+sensitivity,255,255])
     # Threshold the HSV image to get a range of blue color
     mask_blue = cv2.inRange(hsv, lower_blue, upper_blue)
     
     kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
     mask_blue = cv2.morphologyEx(mask_blue, cv2.MORPH_CLOSE, kernel)  # 闭运算
     mask_blue = cv2.morphologyEx(mask_blue, cv2.MORPH_OPEN, kernel)   # 开运算
      
     # define range of red color in HSV
     lower_red_0, upper_red_0 = np.array([0,100,100]), np.array([sensitivity,255,255])
     lower_red_1, upper_red_1 = np.array([180-sensitivity,100,100]), np.array([180,255,255])
     # Threshold the HSV image to get a range of red color
     mask_0 = cv2.inRange(hsv, lower_red_0, upper_red_0)
     mask_1 = cv2.inRange(hsv, lower_red_1, upper_red_1)
     mask_red = cv2.bitwise_or(mask_0, mask_1)
     
     mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel)
     mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel)
     
     
     # 合并蓝色mask和红色mask
     mask = cv2.bitwise_or(mask_blue, mask_red)
     # Bitwise-AND mask
     res = cv2.bitwise_and(img, img, mask=mask)
     
     cv2.imshow('image',img)
     cv2.imshow('mask_blue',mask_blue)
     cv2.imshow('mask_red',mask_red)
     cv2.imshow('res',res)
     
     if cv2.waitKey(0)==ord('q'):
         cv2.destroyAllWindows()
     

     下面分别原图，蓝色掩码，红色掩码，以及蓝色和红色区域。

   

2. 使用 HSV 图像分割

可以利用颜色空间进行图像分割，如果图像的颜色特征比强度特征更好，则可以尝试将其转换为HSV，然后在 H通道 上进行自适应二值化处理。

import cv2

image = cv2.imread(img_path)
cv2.imshow('image', image)
# Convert BGR to HLS
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# hsv[:, :, 0]：取hsv 中的 h（色调）的值
cv2.imshow('hsv', hsv[:,:,0])
# 在H通道上进行自适应二值化处理
(thresh, im_bw) = cv2.threshold(hsv[:,:,0], 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
cv2.imshow('otsu', im_bw)

三、HLS

1. HLS 颜色空间

HLS 也有三个分量，hue（色相）、saturation（饱和度）、lightness（亮度）。
HLS 和 HSV 的区别就是最后一个分量不同，HLS 中的 L 分量为亮度，亮度为100，表示白色，亮度为0，表示黑色；

下面是 HLS 颜色空间圆柱体：

提取白色物体时，使用 HLS 更方便，因为 HSV 中的Hue里没有白色，白色需要由S和V共同决定（S=0, V=100）。而在 HLS 中，白色仅由亮度L一个分量决定。所以检测白色时使用 HSL 颜色空间更准确。

• 注意：在 OpenCV 中 HLS 三个分量的范围为：
  • H = [0,179]
  • L = [0,255]
  • S = [0,255]

2. 代码案例

image = cv2.imread(image_label_line[0])

# Convert BGR to HLS
imgHLS = cv2.cvtColor(image, cv2.COLOR_BGR2HLS)

参考资料

• https://zhuanlan.zhihu.com/p/67930839