问题:
考察下面的一幅500x500的彩色图像,其中的方块部分分别为纯的红、绿和蓝色。
1. 如果将此图像转换到HSI空间,对H分量图像用一个25x25的算术平均掩模进行处理,再转换回到RGB空间,得到的结果将是怎么样的?
2.采取上面同样的步骤,只是这次处理的是S分量,结果又会怎样?
在HSI颜色空间中,颜色由色相、饱和度和强度三个分量表示。
H(色相):表示颜色在色轮上的位置,在0到360度之间取值并且从红开始逆时针旋转,将所有颜色都描述为类似于彩虹的环。
S(饱和度):表示颜色的纯度或鲜艳程度,取值范围为0到1。值为0表示灰色或无色的,值为1表示颜色非常纯。
I(强度):表示颜色的亮度或明度,取值范围为0到1。值为0表示黑色,值为1表示白色。
import cv2
import numpy as np
def RGB2HSI(rgb_img):
"""
这是将RGB彩色图像转化为HSI图像的函数
:param rgm_img: RGB彩色图像
:return: HSI图像
"""
# 保存原始图像的行列数
row = np.shape(rgb_img)[0]
col = np.shape(rgb_img)[1]
# 对原始图像进行复制
hsi_img = rgb_img.copy()
# 对图像进行通道拆分
B, G, R = cv2.split(rgb_img)
# 把通道归一化到[0,1]
[B, G, R] = [i / 255.0 for i in ([B, G, R])]
H = np.zeros((row, col)) # 定义H通道
I = (R + G + B) / 3.0 # 计算I通道
S = np.zeros((row, col)) # 定义S通道
for i in range(row):
den = np.sqrt((R[i] - G[i]) ** 2 + (R[i] - B[i]) * (G[i] - B[i]))
thetha = np.arccos(0.5 * (R[i] - B[i] + R[i] - G[i]) / den) # 计算夹角
h = np.zeros(col) # 定义临时数组
# den>0且G>=B的元素h赋值为thetha
h[B[i] <= G[i]] = thetha[B[i] <= G[i]]
# den>0且G<=B的元素h赋值为thetha
h[G[i] < B[i]] = 2 * np.pi - thetha[G[i] < B[i]]
# den<0的元素h赋值为0
h[den == 0] = 0
H[i] = h / (2 * np.pi) # 弧度化后赋值给H通道
# 计算S通道
for i in range(row):
min = []
# 找出每组RGB值的最小值
for j in range(col):
arr = [B[i][j], G[i][j], R[i][j]]
min.append(np.min(arr))
min = np.array(min)
# 计算S通道
S[i] = 1 - min * 3 / (R[i] + B[i] + G[i])
# I为0的值直接赋值0
S[i][R[i] + B[i] + G[i] == 0] = 0
# 扩充到255以方便显示,一般H分量在[0,2pi]之间,S和I在[0,1]之间
hsi_img[:, :, 0] = H * 255
hsi_img[:, :, 1] = S * 255
hsi_img[:, :, 2] = I * 255
return hsi_img
def HSI2RGB(hsi_img):
"""
这是将HSI图像转化为RGB图像的函数
:param hsi_img: HSI彩色图像
:return: RGB图像
"""
# 保存原始图像的行列数
row = np.shape(hsi_img)[0]
col = np.shape(hsi_img)[1]
# 对原始图像进行复制
rgb_img = hsi_img.copy()
# 对图像进行通道拆分
H, S, I = cv2.split(hsi_img)
# 把通道归一化到[0,1]
[H, S, I] = [i / 255.0 for i in ([H, S, I])]
R, G, B = H, S, I
for i in range(row):
h = H[i] * 2 * np.pi
# H大于等于0小于120度时
a1 = h >= 0
a2 = h < 2 * np.pi / 3
a = a1 & a2 # 第一种情况的花式索引
tmp = np.cos(np.pi / 3 - h)
b = I[i] * (1 - S[i])
r = I[i] * (1 + S[i] * np.cos(h) / tmp)
g = 3 * I[i] - r - b
B[i][a] = b[a]
R[i][a] = r[a]
G[i][a] = g[a]
# H大于等于120度小于240度
a1 = h >= 2 * np.pi / 3
a2 = h < 4 * np.pi / 3
a = a1 & a2 # 第二种情况的花式索引
tmp = np.cos(np.pi - h)
r = I[i] * (1 - S[i])
g = I[i] * (1 + S[i] * np.cos(h - 2 * np.pi / 3) / tmp)
b = 3 * I[i] - r - g
R[i][a] = r[a]
G[i][a] = g[a]
B[i][a] = b[a]
# H大于等于240度小于360度
a1 = h >= 4 * np.pi / 3
a2 = h < 2 * np.pi
a = a1 & a2 # 第三种情况的花式索引
tmp = np.cos(5 * np.pi / 3 - h)
g = I[i] * (1 - S[i])
b = I[i] * (1 + S[i] * np.cos(h - 4 * np.pi / 3) / tmp)
r = 3 * I[i] - g - b
B[i][a] = b[a]
G[i][a] = g[a]
R[i][a] = r[a]
rgb_img[:, :, 0] = B * 255
rgb_img[:, :, 1] = G * 255
rgb_img[:, :, 2] = R * 255
return rgb_img
def average_filter(hsi_img):
H = hsi_img[:, :, 0]
# 对图像进行均值滤波
H_new = cv2.blur(H, (25, 25))
hsi_img[:, :, 0] = H_new
return hsi_img
def run_main():
"""
这是主函数
"""
# 利用opencv读入图片
rgb_img = cv2.imread('image1.bmp', cv2.IMREAD_COLOR)
# 进行颜色空间转换
hsi_img = RGB2HSI(rgb_img)
img_filter = average_filter(hsi_img)
rgb_img2 = HSI2RGB(img_filter)
cv2.imshow("Origin", rgb_img)
cv2.imshow("HSI", hsi_img)
cv2.imshow("RGB", rgb_img2)
cv2.imwrite("HSI.jpeg",hsi_img)
cv2.imwrite("RGB.jpeg", rgb_img2)
cv2.waitKey()
cv2.destroyAllWindows()
if __name__ == '__main__':
run_main()
结果图:
对H分量进行处理:
对S分量进行处理:
可以看到,对H分量进行掩模处理后图像色块交界处明显变模糊了许多,而对S分量处理后图像基本没啥变化。打印出S分量发现图像饱和度都是255,所以均值滤波后饱和度没有发生改变;而H分量则不同颜色色块的值不一样,所以均值滤波过后在色块交界处有明显的变化。