图片颜色空间转换与切割

最新推荐文章于 2023-06-12 21:56:32 发布
最新推荐文章于 2023-06-12 21:56:32 发布
阅读量2.7k 收藏 2
点赞数
分类专栏： 人工智能学习之路 文章标签： 计算机视觉 opencv python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_61682562/article/details/121869833
版权

目录

一、将彩色图片转换为灰度图片

  • 引入包以及文件路径
#文件路径
#导入相关包
import cv2
import numpy as np
source_path="F:\\jupyter\\source\\picture\\Lena\\lena.jpg"
  • 使用opencv，直接读取为灰度图片
#使用opencv
#直接读取灰度图片
cv_read=cv2.imread(source_path,0)
cv2.imshow('lena',cv_read)
cv2.waitKey(0)

在这里插入图片描述

  • 使用opencv，读取彩色，再转为灰度
#读取彩色图片，后面转换为灰度
cv_read=cv2.imread(source_path)
cv_gray=cv2.cvtColor(cv_read,cv2.COLOR_BGR2GRAY)#灰度化
cv2.imshow('lena',cv_gray)
cv2.waitKey(0)

在这里插入图片描述

  • 不使用opencv的转换函数
#不使用opencv
row,col,channel=cv_read.shape
lena_gray=np.zeros((row,col))
for r in range(row):
    for l in range(col):
        lena_gray[r,l]=1/3*cv_read[r,l,0]+1/3*cv_read[r,l,1]+1/3*cv_read[r,l,2]
cv2.imshow("lena",lena_gray.astype("uint8"))
cv2.waitKey(0)

在这里插入图片描述

二、将彩色图片（RGB）转换为HSV、HSI格式

  1. HSV颜色空间

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)。
这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。
色调H
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S
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）到100%（白）。
RGB和CMY颜色模型都是面向硬件的，而HSV（Hue Saturation Value）颜色模型是面向用户的。
HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。

  • 转换代码
#使用opencv
#直接读取图片
cv_read=cv2.imread(source_path)
#转化为hsv格式
lena_hsv=cv2.cvtColor(cv_read,cv2.COLOR_BGR2HSV)
cv2.imshow('lena',lena_hsv)
cv2.waitKey(0)

在这里插入图片描述

  1. HSI颜色空间

HSI〔Hue-Saturation-Intensity(Lightness),HSI或HSL〕颜色模型用H、S、I三参数描述颜色特性，其中H定义颜色的频率，称为色调；S表示颜色的深浅程度，称为饱和度；I表示强度或亮度。
当人观察一个彩色物体时，用色调、饱和度、亮度来描述物体的颜色。色调是描述纯色的属性(纯黄色、橘黄或者红色)；饱和度给出一种纯色被白光稀释的程度的度量；亮度是一个主观的描述，实际上，它是不可以测量的，体现了无色的强度概念，并且是描述彩色感觉的关键参数。而强度(灰度)是单色图像最有用的描述子，这个量是可以测量且很容易解释。则将提出的这个模型称作为HSI(色调、饱和度、强度)彩色模型，该模型可在彩色图像中从携带的彩色信息(色调和饱和度)里消去强度分量的影响，使得HSI模型成为开发基于彩色描述的图像处理方法的良好工具，而这种彩色描述对人来说是自然而直观的。
HSI模型是美国色彩学家孟塞尔(H.A.Munseu)于1915年提出的，它反映了人的视觉系统感知彩色的方式，以色调、饱和度和强度三种基本特征量来感知颜色。

  • opencv没有直接将RBG转化为HSI的函数，定义函数转换
def RBG_to_HSI(rgb_img):
    """
    : param rgb_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) #弧度化之后赋值给H通道
    for i in range(row):
        min_=[]
        #找出每组RGB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
  • 调用函数
#使用opencv
#读取图片
cv_read=cv2.imread(source_path)
lena_hsi=RBG_to_HSI(cv_read)
cv2.imshow('lena',lena_hsi)
cv2.waitKey(0)

在这里插入图片描述

三、切割车牌

步骤：
1、转化为二值化图片
2、利用开闭运算等操作使一个字成为一个整体
3、利用函数定为或者手工定位

  • 导入函数包
#导入相关包
import cv2
import numpy as np
import os
  • 定义读取和保存路径
pic_folder='F:\\jupyter\\source\\picture\\carband\\'
pic_one="cp1.BMP"
save_path='F:/jupyter/source/picture/carband/carband_cutting/'
  • 创建文件夹的函数
#创建文件夹
def mkdir(path):
    folder=os.path.exists(path)
    if not folder:#判断是否存在
        os.makedirs(path)
  • 图片路径构建及创建文件夹
#图片路径构建及创建文件夹
plate_numbers=pic_folder+pic_one
s_path=save_path+pic_one
mkdir(s_path)
  • 读取文件
plate=cv2.imdecode(np.fromfile(plate_numbers,dtype=np.uint8),-1)
cv2.imshow("carband",plate)
cv2.waitKey(0)

在这里插入图片描述

  • 对图片进行灰度化和二值化处理
#对图片进行处理，进行二值化
plate_gauss=cv2.GaussianBlur(plate,(5,5),0)#高斯降噪
plate_gray=cv2.cvtColor(plate_gauss,cv2.COLOR_BGR2GRAY)#灰度化
thre,plate_bw=cv2.threshold(plate_gray,170,255,cv2.THRESH_BINARY)#二值化
cv2.imshow("cell",plate_bw)
cv2.waitKey(0)

在这里插入图片描述

  • 闭运算，使字这些连在一起，变成一个整体
#闭运算，填充空洞
#构造一个全1的5*5的矩阵
kernel=np.ones((8,8),int)#设置形态学操作卷积的大小
plate_close=cv2.morphologyEx(plate_bw,cv2.MORPH_CLOSE,kernel)
cv2.imshow("cell",plate_close)
cv2.waitKey(0)

在这里插入图片描述

  • 腐蚀运算，去掉中间那个螺丝带来的影响
#腐蚀运算,消除掉中间那颗螺丝的影响
#构造一个全1的5*5的矩阵
kernel=np.ones((3,3),int)#设置形态学操作卷积的大小
plate_corr=cv2.erode(plate_close,kernel,iterations=1)
cv2.imshow("cell",plate_corr)
cv2.waitKey(0)

在这里插入图片描述

  • 定义一个切割并保存的函数
#切割图片并保存
def cutting(start,end,order,src,path):
    dst=src[:,start-3:end+3]
    file_name=path+str(order)+'.jpg'
    cv2.imencode(".jpg",dst)[1].tofile(file_name)
  • 利用findContours进行切割
plate_count,hir=cv2.findContours(plate_corr,cv2.RETR_EXTERNAL ,cv2.CHAIN_APPROX_NONE)
#检测所有轮廓，所有轮廓建立一个等级树结构。
plate_read=cv2.imdecode(np.fromfile(plate_numbers,dtype=np.uint8),-1)
result=plate_read
for i in range(len(plate_count)):
    cnt=plate_count[i]
    x,y,w,h=cv2.boundingRect(cnt)
    save_path_o=s_path+'/opencv/'
    mkdir(save_path_o)
    cutting(x,x+w,i,plate_read,save_path_o)
  • 不使用opencv，手动切割，切割原理

图片二值化之后就只有零和一，代表的就是黑和白，通过判断连续列是否有字体的颜色，第一个有颜色的就是字的起点所在列，之后就是一直在列中有字的颜色，当某一列没有字的颜色的时候，就是这个字的所占的最后一列之后的一列，从而达到定位效果。

  • 实现代码
#flag是用来判断字符个数的，当flag为7时，就代表已经全部识别完了
#word是用来判断一个字的开始和结束，开始时word会加1，结束时word也会加一，所以为2就检测完了一个字
flag=0
word=0
word_start=0
word_end=0
word_color=False#判断某一列中是否有字体的颜色
save_path_a=s_path+'/artificial/'
plate_read=cv2.imdecode(np.fromfile(plate_numbers,dtype=np.uint8),-1)
for i in range(len(plate_corr[0])):#遍历每一列
    word_color=False
    if 255 in plate_corr[:,i]:
        word_color=True
    if word_color==True and word==0:#如果检测到字体的颜色，word+1
        word+=1
        word_start=i
    elif word_color==False and word==1:#判断字结束
        word+=1
        word_end=i+3
        flag+=1
        mkdir(save_path_a)
        cutting(word_start,word_end,flag,plate_read,save_path_a)
    if word==2:
        word=0
        word_start=0
        word_end=0
    if flag==7:
         break
  • 结果：
    文件夹内容，两者的顺序不一样，利用opencv的寻找轮廓的函数并不是从左到右按顺序来的，而手动切割则是按照顺序来的
    在这里插入图片描述
    在这里插入图片描述

四、总结

本次实验总的来说还是比较有趣，结合了上次实验的算法，达到了不同的实验效果。

五、参考资料

颜色空间转换及切割车牌(python)
数字图像与机器视觉基础2
python cv2 使用中遇到not enough values to unpack (expected 3, got 2) 异常
HSV （HSV颜色模型）
HSI颜色模型

今天还是没学懂
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OpenCV图像颜色空间转换,切割
程序猿老樊的博客
09-30 586
我们在平时图像数据处理时，往往要对数据进行颜色空间的转换，例如把YUV转换为RGB，BGR，RGBA等等，这些转换，我们都可以通过OpenCV中提供的cvtColor来实现。 cvtColor函数原型： void cvtColor(InputArray src,OutputArray dst,int code,int dstCn=0) 参数说明： code...
2020-2021学年——图像图形编程实践实验5_彩色图像的切割
L_F_D的博客
12-07 2623
Canny图像边缘检测 实验目的 理解图像分割的基本概念； 理解彩色图像的基本概念； 掌握进行欧氏距离和绝对值距离进行图像分割的基本方法； 实验设备 PC机、matlab2018b 实验原理   指定的颜色区域的物体。给定一个感兴趣的有代表性彩色的彩色样点集，可得到我们希望分割的颜色的“平均”估计。令这个平均彩色用RGB向量a来表示。分割的目的是将给定图像中的每个RGB像素分类，即在指定的区域内是否有一种颜色。为了执行这一比较，有一个相似性度量是必要的。最简单的度量之一是欧氏距离。令z表示RGB空间中
基于Opencv库实现将BGR图像转换为RGB，HSV，YUV等颜色空间
m0_59719078的博客
03-28 6637
在Opencv库中，要通过cvtColor函数实现BGR图转换为RGB,HSV,YUV等颜色空间。格式为： cv2.cvtColor(src, code[, dst[, dstCn]]) 其中img表示输入的图像。 code表示颜色空间类型。dst表示输出的图像。dstCn表示目标图像数据通道数。 下列实现BGR图像转换为RGB，HSV，YUV图像。 原图: import cv2 #写入cv2库 img=cv2.imread('Taylor.jpg') #读取图像 1.BGR图像
OpenCv-Python学习笔记(五)：颜色空间转换
weixin_44077524的博客
02-21 5740
目录转换颜色空间物体跟踪 转换颜色空间 在 OpenCV 中有超过 150 中进行颜色空间转换的方法。但是你以后就会发现我们经常用到的也就两种：BGR↔Gray 和 BGR↔HSV。 **cv2.cvtColor()**函数：转换颜色空间。 第一个参数表示待转换的图片。 第二个参数表示转换的类型。 cv2.COLOR_BGR2GRAY：表示从BGR转换位灰度图像。 cv2.COLOR_BGR2HSV：表示从BGR转换位HSV。 例： import cv2 #以彩色图像的格式读取图片 img =cv2.i
（9）OpenCV 4 学习之色彩空间与色彩空间转换
To Be Continue
04-03 370
文章目录前言知识点一、函数解析1、色彩空间转换（cvtColor）2、颜色分割（inRange）二、代码示例三、结果展示四、官方教程五、进一步学习（换背景）1、代码分析2、结果展示 前言 最近心血来潮，想具体的去学习一下图像处理，所以报了知识星球的一个OpenCV研习社，将自己每天的学习，分享一下。写个 blog 加深一下知识。 知识点 知识点： 色彩空间与色彩空间转换 RGB色彩空间 HS...
使用cv.inRange实现颜色物体分割
Bai_zichen的博客
11-09 323
颜色分割
灰度图、彩色图像直方图均衡化（包含RGB和HSI互转）-《医学图像处理》小作业三-Python代码/Matlab代码
djq_313的博客
06-12 2833
如果一幅图像有两个不相连的区域组成， 并且每个区域的直方图已知， 则整幅图像的直方图是该两个区域的直方图之和。直方图均衡化是一种增强图像对比度的方法，其主要思想是将一副图像的直方图分布通过累积分布函数变成近似均匀分布，从而增强图像的对比度。图像的灰度直方图描述了图像中灰度分布情况， 能够很直观的展示出图像中各个灰度级所占的多少。图像的灰度直方图是灰度级的函数， 描述的是图像中具有该灰度级的像素的个数： 其中， 横坐标是灰度级， 纵坐标是该灰度级出现的率。再自选其它至少20张图片（包括灰度图片和彩色图片）。
OpenCV修改图片某像素的数据时发生数据越界问题、导致与预期输出不符
PeipeiF的博客
09-17 927
OpenCV修改图片某像素的数据时发生数据越界问题、导致与预期输出不符 笔者的一项课堂作业，要求将一幅使用RGB模型的图片修改为使用HSI模型显示。鉴于OpenCV的ColorConversionCodes中并没有COLOR_BGR2HSI这种Enumeration Type、但是有COLOR_BGR2HSV，而两者的唯一区别只是V通道和I通道数值不同，笔者的思路是先把图片转换成HSV模型、再利用原图的R、G、B三个通道的数据把V通道数值转换成I通道数值（当然笔者最终意识到HSI与HSV的H、S是不同的概念
OpenCV彩色空间互转及其应用
胖虎卖汤圆的博客
04-25 441
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...
02 数字图像技术——颜色空间转换与颜色空间分割实验结果与分析——python
yuhaix的博客
12-14 2783
二、实验内容 1．拆分并显示图像RGB空间的三个通道。 2．RGB空间转换为HSI空间。 3．图像的强度分层。 4．灰度值到彩色变换并画出映射函数。 5．颜色空间分割
OpenCV+Python--RGB转HSI的实现
09-18
今天小编就为大家分享一篇OpenCV+Python--RGB转HSI的实现，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
opencv转换颜色空间更改图片背景
01-20
本文实例为大家分享了opencv转换颜色空间更改图片背景的具体代码，供大家参考，具体内容如下 思路： 1、将BGR转换为HSV颜色空间 2、设置掩模 3、位运算 这里以更改摩托罗拉logo背景为例，图片在必应图片搜索得知，...
颜色空间转换RGB转HSI
08-18
颜色空间转换RGB转HSI
yansejuzhen.zip_颜色空间转换
07-14
HSV空间与RGB空间转换等颜色空间转换示例
颜色空间转换全集合CSconvert
12-06
本资源基本包括了所有YUV格式之间，以及与RGB格式之间的颜色空间转换的实现，比如I420转NV12，YUV420PtoRGB24，NV12、NV21、YV12和I420的相互转换等。
OpenCV学习笔记（二）——颜色空间（不同颜色空间转换函数cv.cvtColor()、多通道分离函数cv.split()、多通道合并函数cv.merge()）
a1016249126的博客
11-15 5272
颜色空间 颜色空间也称彩色模型(又称彩色空间或彩色系统）它的用途是在某些标准下用通常可接受的方式对彩色加以说明。 RGB颜色空间是较常见的一种颜色空间，它通过红、绿、蓝3种颜色混合能够展示各种颜色，常用于显示和表示图像。了解图像的颜色空间对于分割拥有特征的图像具有重要的意义，例如提取像素中 的红色物体可以通过比较图像红色通道的像素值来实现。 1 常用颜色空间介绍 1.1 RGB 颜色空间 RGB 颜色空间的名称是由红色（Red）、绿色（Green）、蓝色（Blue）三种颜色的英文首字母组成。RGB 颜色空间
python 图像处理——图像分割及经典案例篇之基于颜色的图像分割
weixin_44598554的博客
05-13 9440
本篇博客介绍了如何使用Python与OpenCV进行颜色分割，其中使用了HSV颜色空间和阈值分割的算法。实现颜色分割的步骤包括：读取图像文件、转换颜色空间、计算阈值、分割图像、去除噪点等。通过实例的代码，我们可以更加深入地了解颜色分割的实现过程。
彩色分割--数字图像处理作业
zhangweibin2的博客
11-16 1560
对图像进行彩色分割，得到感兴趣区域
基于彩色的图像分割
Rkun18的博客
01-02 4615
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
open3d颜色空间转换
最新发布
09-14
Open3D提供了用于颜色空间转换的功能。通过使用`open3d.geometry.Image`类的`convert_rgb_to_intensity()`方法，您可以将RGB图像转换为灰度图像。这个方法可以将RGB值转换为亮度值，并将其用作灰度图像的每个像素的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值