Datawhale 计算机视觉基础-图像处理(上)-Task03 彩色空间互转
3.1 简介
图像彩色空间互转在图像处理中应用非常广泛,而且很多算法只对灰度图有效;另外,相比RGB,其他颜色空间(比如HSV、HSI)更具可分离性和可操作性,所以很多图像算法需要将图像从RGB转为其他颜色空间,所以图像彩色互转是十分重要和关键的。
3.2 学习目标
- 了解相关颜色空间的基础知识
- 理解彩色空间互转的理论
- 掌握OpenCV框架下颜色空间互转API的使用
3.3 内容介绍
1.相关颜色空间的原理介绍
2.颜色空间互转理论的介绍
3.OpenCV代码实践
4.动手实践并打卡(读者完成)
3.4 算法理论介绍与资料推荐
3.4.1 RGB与灰度图互转
RGB(红绿蓝)是依据人眼识别的颜色定义出的空间,可表示大部分颜色。但在科学研究一般不采用RGB颜色空间,因为它的细节难以进行数字化的调整。它将色调,亮度,饱和度三个量放在一起表示,很难分开。它是最通用的面向硬件的彩色模型。该模型用于彩色监视器和一大类彩色视频摄像。
注:Opencv是BGR
RGB颜色空间 基于颜色的加法混色原理,从黑色不断叠加Red,Green,Blue的颜色,最终可以得到白色,如图:
将R、G、B三个通道作为笛卡尔坐标系中的X、Y、Z轴,就得到了一种对于颜色的空间描述,如图:
对于彩色图转灰度图,有一个很著名的心理学公式:
G r a y = R ∗ 0.299 + G ∗ 0.587 + B ∗ 0.114 Gray = R * 0.299 + G * 0.587 + B * 0.114 Gray=R∗0.299+G∗0.587+B∗0.114
3.4.2 RGB与HSV互转
HSV是一种将RGB色彩空间中的点在倒圆锥体中的表示方法。HSV即色调(Hue)、饱和度(Saturation)、亮度(Value),又称HSB(B即Brightness)。
色调(Hue)
色调:色调是指物体反射的光线中以哪种波长占优势来决定的,不同波长产生不同颜色的感觉,色调是颜色色调的重要特征,它决定了颜色本质的根本特征。
色调不是指颜色的性质,而是对一幅绘画作品的整体颜色的概括评价。色调是指一幅作品色彩外观的基本倾向。在明度、纯度(饱和度)、色相这三个要素中,某种因素起主导作用,我们就称之为某种色调。一幅绘画作品虽然用了多种颜色,但总体有一种倾向,是偏蓝或偏红,是偏暖或偏冷等等。这种颜色上的倾向就是一副绘画的色调。
饱和度(Saturation)
饱和度可定义为彩度除以明度,与彩度同样表征彩色偏离同亮度灰色的程度。注意,与彩度完全不是同一个概念。但由于其和彩度决定的是出现在人眼里的同一个效果,所以才会出现视彩度与饱和度为同一概念的情况。
饱和度是指色彩的鲜艳程度,也称色彩的纯度。饱和度取决于该色中含色成分和消色成分(灰色)的比例。含色成分越大,饱和度越大;消色成分越大,饱和度越小。纯的颜色都是高度饱和的,如鲜红,鲜绿。混杂上白色,灰色或其他色调的颜色,是不饱和的颜色,如绛紫,粉红,黄褐等。完全不饱和的颜色根本没有色调,如黑白之间的各种灰色。
亮度(Lightness、Luminosity或Brightness):
亮度指照射在景物或图像上光线的明暗程度。图像亮度增加时,就会显得耀眼或刺眼,亮度越小时,图像就会显得灰暗。
HSV颜色空间可以用一个圆锥空间模型来描述。圆锥的顶点处,V=0,H和S无定义,代表黑色。圆锥的顶面中心处V=max,S=0,H无定义,代表白色。
RGB颜色空间中,三种颜色分量的取值与所生成的颜色之间的联系并不直观。而HSV颜色空间,更类似于人类感觉颜色的方式,封装了关于颜色的信息:“这是什么颜色?深浅如何?明暗如何?
HSV模型
这个模型就是按色彩、深浅、明暗来描述的。
H是色彩;
S是深浅, S = 0时,只有灰度;
应用:可以用于偏光矫正、去除阴影、图像分割等
RGB2HSV
或
HSV2RGB
3.4.3 BGR2HSL
HSL 类似于 HSV。对于一些人,HSL 更好的反映了“饱和度”和“亮度”作为两个独立参数的直觉观念,但是对于另一些人,它的饱和度定义是错误的,因为非常柔和的几乎白色的颜色在 HSL 可以被定义为是完全饱和的。对于 HSV 还是 HSL 更适合于人类用户界面是有争议的。
R ′ = R / 255 R' = R/255 R′=R/255
G ′ = G / 255 G' = G/255 G′=G/255
B ′ = B / 255 B' = B/255 B′=B/255
C m a x = m a x ( R ′ , G ′ , B ′ ) Cmax = max(R', G', B') Cmax=max(R′,G′,B′)
C m i n = m i n ( R ′ , G ′ , B ′ ) Cmin = min(R', G', B') Cmin=min(R′,G′,B′)
△ = C m a x − C m i n \triangle = Cmax - Cmin △=Cmax−Cmin
色调的计算:
饱和度的计算:
亮度的计算:
L = ( C m a x + C m i n ) / 2 L = (Cmax + Cmin) / 2 L=(Cmax+Cmin)/2
3.5 基于OpenCV的实现
- 工具:OpenCV3.1.0+VS2013
- 平台:WIN10
函数原型(c++)
void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0)
- src: 输入图像
- dst: 输出图像
- code: 颜色空间转换标识符
- OpenCV2的CV_前缀宏命名规范被OpenCV3中的COLOR_式的宏命名前缀取代
- 注意RGB色彩空间默认通道顺序为BGR
- 具体可以参考: enum cv::ColorConversionCode部分
- dstCn: 目标图像的通道数,该参数为0时,目标图像根据源图像的通道数和具体操作自动决定
实现示例(c++)
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
// main
int main( int argc, char** argv )
{
// Load image
cv::Mat srcImage = cv::imread("1.jpg"), dstImage;
// RGB2GHSV
cv::cvtColor(srcImage, dstImage, cv::COLOR_BGR2hHSV);
imshow("Lab Space", dstImage);
//RGB2GRAY
cv::cvtColor(srcImage, dstImage, cv::COLOR_BGR2GRAY);
imshow("Gray Scale", dstImage);
cv::waitKey();
return 0;
}
进阶实现(根据原理自己实现)
- 1.RGB2GRAY
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
cv::Mat RGB2GRAY(cv::Mat src, bool accelerate=false){
CV_Assert(src.channels()==3);
cv::Mat dst = cv::Mat::zeros(src.size(), CV_8UC1);
cv::Vec3b rgb;
int r = src.rows;
int c = src.cols;
for (int i = 0; i < r; ++i){
for (int j = 0; j < c; ++j){
rgb = src.at<cv::Vec3b>(i, j);
uchar B = rgb[0]; uchar G = rgb[1]; uchar R = rgb[2];
if (accelerate = false){
dst.at<uchar>(i, j) = R*0.299 + G*0.587 + B*0.114; //原式
}
else{
dst.at<uchar>(i, j) = (R * 4898 + G * 9618 + B * 1868) >> 14; //优化
}
}
}
return dst;
}
int main(){
cv::Mat src = cv::imread("I:\\Learning-and-Practice\\2019Change\\Image process algorithm\\Img\\lena.jpg");
if (src.empty()){
return -1;
}
cv::Mat dst,dst1;
//opencv自带
double t2 = (double)cv::getTickCount(); //测时间
cv::cvtColor(src, dst1, CV_RGB2GRAY);
t2 = (double)cv::getTickCount() - t2;
double time2 = (t2 *1000.) / ((double)cv::getTickFrequency());
std::cout << "Opencv_rgb2gray=" << time2 << " ms. " << std::endl << std::endl;
//RGB2GRAY
double t1 = (double)cv::getTickCount(); //测时间
dst = RGB2GRAY(src, true);
t1 = (double)cv::getTickCount() - t1;
double time1 = (t1 *1000.) / ((double)cv::getTickFrequency());
std::cout << "My_rgb2gray=" << time1 << " ms. " << std::endl << std::endl;
cv::namedWindow("src", CV_WINDOW_NORMAL);
imshow("src", src);
cv::namedWindow("My_rgb2gray", CV_WINDOW_NORMAL);
imshow("My_rgb2gray", dst);
cv::namedWindow("Opencv_rgb2gray", CV_WINDOW_NORMAL);
imshow("Opencv_rgb2gray", dst1);
cv::waitKey(0);
return 0;
}
- 2.RGB2HSV/HSV2RGB
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace cv;
Mat RGB2HSV(Mat src) {
int row = src.rows;
int col = src.cols;
Mat dst(row, col, CV_32FC3);
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
float b = src.at<Vec3b>(i, j)[0] / 255.0;
float g = src.at<Vec3b>(i, j)[1] / 255.0;
float r = src.at<Vec3b>(i, j)[2] / 255.0;
float minn = min(r, min(g, b));
float maxx = max(r, max(g, b));
dst.at<Vec3f>(i, j)[2] = maxx; //V
float delta = maxx - minn;
float h, s;
if (maxx != 0) {
s = delta / maxx;
}
else {
s = 0;
}
if (r == maxx) {
h = (g - b) / delta;
}
else if (g == maxx) {
h = 2 + (b - r) / delta;
}
else if (b==maxx) {
h = 4 + (r - g) / delta;
}
else{
h = 0;
}
h *= 60;
if (h < 0)
h += 360;
dst.at<Vec3f>(i, j)[0] = h;
dst.at<Vec3f>(i, j)[1] = s;
}
}
return dst;
}
Mat HSV2RGB(Mat src) {
int row = src.rows;
int col = src.cols;
Mat dst(row, col, CV_8UC3);
float r, g, b, h, s, v;
for (int i = 0; i < row; i++) {
for (int j = 0; j < col; j++) {
h = src.at<Vec3f>(i, j)[0];
s = src.at<Vec3f>(i, j)[1];
v = src.at<Vec3f>(i, j)[2];
if (s == 0) {
r = g = b = v;
}
else {
h /= 60;
int offset = floor(h);
float f = h - offset;
float p = v * (1 - s);
float q = v * (1 - s * f);
float t = v * (1 - s * (1 - f));
switch (offset)
{
case 0: r = v; g = t; b = p; break;
case 1: r = q; g = v; b = p; break;
case 2: r = p; g = v; b = t; break;
case 3: r = p; g = q; b = v; break;
case 4: r = t; g = p; b = v; break;
case 5: r = v; g = p; b = q; break;
default:
break;
}
}
dst.at<Vec3b>(i, j)[0] = int(b * 255);
dst.at<Vec3b>(i, j)[1] = int(g * 255);
dst.at<Vec3b>(i, j)[2] = int(r * 255);
}
}
return dst;
}
int main(){
cv::Mat src = cv::imread("I:\\Learning-and-Practice\\2019Change\\Image process algorithm\\Img\\lena.JPG");
if (src.empty()){
return -1;
}
cv::Mat dst, dst1, dst2;
opencv自带/
cv::cvtColor(src, dst1, CV_RGB2HSV); //RGB2HSV
//RGB2HSV//
dst = RGB2HSV(src); //RGB2HSV
dst2 = HSV2RGB(dst); //HSV2BGR
cv::namedWindow("src", CV_WINDOW_NORMAL);
imshow("src", src);
cv::namedWindow("My_RGB2HSV", CV_WINDOW_NORMAL);
imshow("My_RGB2HSV", dst);
cv::namedWindow("My_HSV2RGB", CV_WINDOW_NORMAL);
imshow("My_HSV2RGB", dst2);
cv::namedWindow("Opencv_RGB2HSV", CV_WINDOW_NORMAL);
imshow("Opencv_RGB2HSV", dst1);
cv::waitKey(0);
return 0;
}
效果
3.6 HSV色彩空间的应用
一般对颜色空间的图像进行有效处理都是在HSV空间进行的,然后对于基本色中对应的HSV分量需要给定一个严格的范围,下面是通过实验计算的模糊范围(准确的范围在网上都没有给出)。
H: 0 — 180
S: 0 — 255
V: 0 — 255
此处把部分红色归为紫色范围:
参考:https://blog.csdn.net/taily_duan/article/details/51506776
import cv2
import numpy as np
def extract_red(image):
"""
通过红色过滤提取出指针
"""
red_lower1 = np.array([0, 43, 46])
red_upper1 = np.array([10, 255, 255])
red_lower2 = np.array([156, 43, 46])
red_upper2 = np.array([180, 255, 255])
dst = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
mask1 = cv2.inRange(dst, lowerb=red_lower1, upperb=red_upper1)
mask2 = cv2.inRange(dst, lowerb=red_lower2, upperb=red_upper2)
mask = cv2.add(mask1, mask2)
return mask
src = cv2.imread('image/1_0181.jpg')
cv2.imshow('src', src)
mask = extract_red(src)
cv2.imshow('extract_red', mask)
cv2.imwrite('extract_red.jpg', mask)
cv2.waitKey(0)
3.7 总结
该部分主要讲解彩色空间互转,彩色空间互转是传统图像算法的一个关键技术,学习颜色转换有助于我们理解图像的色域,从而为我们从事CV相关工程技术和科学研究提供一些基础、灵感和思路。
Task03 彩色空间互转 END.
— By: 小武
博客:https://blog.csdn.net/weixin_40647819
关于Datawhale:
Datawhale是一个专注于数据科学与AI领域的开源组织,汇集了众多领域院校和知名企业的优秀学习者,聚合了一群有开源精神和探索精神的团队成员。Datawhale以“for the learner,和学习者一起成长”为愿景,鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时Datawhale 用开源的理念去探索开源内容、开源学习和开源方案,赋能人才培养,助力人才成长,建立起人与人,人与知识,人与企业和人与未来的联结。