【OpenCV-Python】：色彩空间转换（有源码）

✨博客主页：米开朗琪罗儿🎈
✨博主爱好：羽毛球🏸
✨年轻人要：Living for the moment（活在当下）！💪
🏆推荐专栏：【图像处理】【千锤百炼Python】【深度学习】【排序算法】

色彩空间类型转换：它是将图像从一个色彩空间转换到另外一个色彩空间，每个色彩空间都有自己擅长的处理问题的领域。

😺一、通道的拆分与合并

在RGB色彩空间中，图像通道的顺序是R→G→B，即第1个通道是R通道，第2个通道是G通道，第3个通道是B通道。注：在OpenCV中，通道顺序是B→G→R。

接下来我们考虑如何将3个通道进行拆分并单独显示其中一个通道的图像，这里给出两种拆分方式：

🐶1.1 通过索引拆分

我们使用下列语句操作：

b = lena2[:, :, 0]
g = lena2[:, :, 1]
r = lena2[:, :, 2]

接下来我们看一段程序展示：

import cv2
lena2 = cv2.imread(r'C:\Users\Wxr\Desktop\lena3.jpg')
cv2.imshow("lena2", lena2)
b = lena2[:, :, 0]
g = lena2[:, :, 1]
r = lena2[:, :, 2]
cv2.imshow("b", b)
cv2.imshow("g", g)
cv2.imshow("r", r)
cv2.waitKey()

本程序实现了通道的拆分与各通道的分别展示。

代码运行结果如下：

🐶1.2 通过函数拆分

我们使用函数b, g, r = cv2.split()拆分通道。

接下来我们看一段程序展示：

import cv2
lena3 = cv2.imread(r'C:\Users\Wxr\Desktop\lena3.jpg')
cv2.imshow("lena3", lena3)
b, g, r = cv2.split(lena3)
cv2.imshow("b", b)
cv2.imshow("g", g)
cv2.imshow("r", r)
cv2.waitKey()

运行结果如下：

可以看出不论是通过索引方式还是函数拆分得到的通道图像，结果都是一样的。

🐶1.3 通道合并

通道合并是通道拆分的逆过程，我们使用函数cv2.merge()实现通道合并。

下面看一段程序展示：

import cv2
lena3 = cv2.imread(r'C:\Users\Wxr\Desktop\lena3.jpg')
cv2.imshow("lena3", lena3)
b, g, r = cv2.split(lena3)
bgr = cv2.merge([b, g, r])
rgb = cv2.merge([r, g, b])
cv2.imshow("bgr", bgr)
cv2.imshow("rgb", rgb)
cv2.waitKey()

程序运行结果如下：

可以看出，按照B、G、R顺位排列出的图像与原图是一致的，也就验证了OpenCV的通道顺序是B→G→R。

😺二、简述各色彩空间

🐶2.1 GRAY色彩空间

GRAY指的是8位灰度图，有256各灰度级，像素值范围：[0，255]

🦄2.1.1 RGB转GRAY

标准转换公式：
$$Gray=0.299\cdot R+0.587\cdot G+0.114\cdot B$$
简化转换公式：
$$Gray=\frac{R+G+B}{3}$$

🦄2.1.2 GRAY转RGB

转化公式：
$$R=G=B=GRAY$$

🐶2.2 XYZ色彩空间

XYZ色彩空间是国际照明委员会(CIE)在进行了大量正常人视觉测量和统计后建立的。

🦄2.2.1 RGB转XYZ

转换公式：
$$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.412453& 0.357580& 0.180423\\ 0.212671& 0.715160& 0.072169\\ 0.019334& 0.119193& 0.950227\end{array}\right]\cdot \left[\begin{array}{c}R\\ G\\ B\end{array}\right]$$

🦄2.2.2 XYZ转RGB

转换公式：
$$\left[\begin{array}{c}R\\ G\\ B\end{array}\right]=\left[\begin{array}{ccc}3.240479& -1.53715& -0.498535\\ -0.969256& 1.875991& 0.041556\\ 0.055648& -0.204043& 1.057311\end{array}\right]\cdot \left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$$

🐶2.3 HSV色彩空间

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)。HSV对用户来说是一种直观的颜色模型，这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。

HSV空间模型如下：

  色调：色调与光谱中的主要光波长相关，色调用角度度量，取值范围为0°～360°，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°；

  饱和度：饱和度S表示颜色接近光谱色的程度。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。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

  明度：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）到100%（白）。

接下来我们介绍以下空间六棱锥：

  H参数表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别相隔120度。互补色分别相差180度。范围从0到360。

  纯度S为一比例值，范围从0到1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。S=0时，只有灰度。

  V表示色彩的明亮程度，范围从0到1。有一点要注意：它和光强度之间并没有直接的联系。

🦄2.3.1 RGB转HSV

转换前提：需要先将RGB色彩空间的值转换到[0，1]（各通道的像素值除以255），再进行处理。
$$V=max(R,G,B)$$
$$S=\{\begin{array}{rcl}\frac{V-min(R,G,B)}{V}& & V\ne 0\\ 0& & else\end{array}$$
$$H=\{\begin{array}{rcl}\frac{60(G-B)}{V-min(R,G,B)}& & V=R\\ 120+\frac{60(B-R)}{V-min(R,G,B)}& & V=G\\ 240+\frac{60(R-G)}{V-min(R,G,B)}& & V=B\end{array}$$
注：计算过程中可能会出现H＜0的情况，若发生，则需要对H进一步操作，过程如下：
$$H=\{\begin{array}{rcl}H+360& & H<0\\ H& & else\end{array}$$

🦄2.3.2 HSV转RGB

转换公式：

公式来源：RGB与HSV之间的转换公式及颜色表

🐶2.4 YCrCb色彩空间

YCrCb即YUV，主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视。与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽（RGB要求三个独立的视频信号同时传输）。

在该空间里，Y代表明度，Cr表示红色分量信息，Cb表示蓝色分量信息。

应用：在人脸检测中也常常用到YCrCb空间，因为一般的图像都是基于RGB空间的，在RGB空间里人脸的肤色受亮度影响相当大，所以肤色点很难从非肤色点中分离出来，也就是说在此空间经过处理后，肤色点是离散的点，中间嵌有很多非肤色，这为肤色区域标定(人脸标定、眼睛等)带来了难题。如果把RGB转为YCrCb空间的话，可以忽略Y(亮度)的影响，因为该空间受亮度影响很小，肤色会产生很好的类聚。这样就把三维的空间降为二维的CrCb，肤色点会形成一定得形状，如：人脸的话会看到一个人脸的区域，手臂的话会看到一条手臂的形态，对处理模式识别很有好处，根据经验某点的CrCb值满足：133≤Cr≤173，77≤Cb≤127 那么该点被认为是肤色点，其他的就为非肤色点。

参考：百度百科-YCrCb

🦄2.4.1 RGB转YCrCb

转换公式：
$$Y=0.299\cdot B+0.587\cdot G+0.114\cdot B$$
$$Cr=(R-Y)\times 0.713+delta$$
$$Cb=(B-Y)\times 0.564+delta$$
其中：
$$delta=\{\begin{array}{rcl}128& & 8weiimage\\ 32768& & 16weiimage\\ 0.5& & Singleprecisionimage\end{array}$$

🦄2.4.2 YCrCb转RGB

$$R=Y+1.403\cdot (Cr-delta)$$
$$G=Y-0.714\cdot (Cr-delta)-0.344\cdot (Cb-delta)$$
$$B=Y+1.773\cdot (Cb-delta)$$

😺三、类型转换函数

我们使用函数cv2.cvtColor()实现色彩空间转换。

函数格式：dst = cv2.cvtColor(src, code [, dstCn])

各参数解释：
  dst：输出图像，与输入图像有相同的数据类型和深度；

  src：输入图像；

  code：色彩空间转换值，详细见下图；

  dstCn：目标图像通道数，若该参数为默认的0，则通道数自动通过输入图像和code得到。






枚举值参考：opencv入门：色彩空间类型转换

😺四、转换实例

🐶4.1 BGR转化至GRAY

程序如下：

import cv2
lena2 = cv2.imread(r'C:\Users\Wxr\Desktop\lena2.jpg')
cv2.imshow("lena3", lena2)
gray = cv2.cvtColor(lena2, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)
cv2.waitKey()

运行结果：

🐶4.2 BGR转化至HSV

程序如下：

import cv2
lena2 = cv2.imread(r'C:\Users\Wxr\Desktop\lena2.jpg')
cv2.imshow("lena3", lena2)
hsv = cv2.cvtColor(lena2, cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
cv2.waitKey()

运行结果：

接下来我们把H、S、V三个通道拆分并查看各通道图像。

程序如下：

import cv2
lena3 = cv2.imread(r'C:\Users\Wxr\Desktop\lena3.jpg')
cv2.imshow("lena3", lena3)
hsv = cv2.cvtColor(lena3, cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
h, s, v = cv2.split(hsv)
cv2.imshow("h", h)
cv2.imshow("s", s)
cv2.imshow("v", v)
cv2.waitKey()

运行结果：

🐶4.3 BGR转化至YCrCb

程序如下：

import cv2
lena2 = cv2.imread(r'C:\Users\Wxr\Desktop\lena2.jpg')
cv2.imshow("lena2", lena2)
yuv = cv2.cvtColor(lena2, cv2.COLOR_BGR2YUV)
cv2.imshow("yuv", yuv)
cv2.waitKey()

运行结果：