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

小小_喻

已于 2022-12-19 11:40:48 修改

阅读量2.7k

点赞数 7

分类专栏：数字图像文章标签： python 图像处理

于 2022-12-14 21:40:26 首次发布

本文链接：https://blog.csdn.net/yuhaix/article/details/128319202

版权

数字图像专栏收录该内容

4 篇文章 3 订阅

订阅专栏

04 数字图像技术——图像特征提取之实验结果与分析
 03 数字图像技术——频域滤波实验结果与分析
 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
 01 数字图像基本操作——图像采样、量化、算术运算、点运算实验结果及分析

一、实验目的

1．了解颜色空间转换与颜色空间分割在数字图像处理中的初步应用。
2．体会颜色空间转换与颜色空间分割的过程和处理前后图像的变化。

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

三、实验设备/仪器

电脑、编程语言(Matlab或Python)、图像数据和存储器。

四、实验原理

（一）三基色原理
图像是由人的视觉系统接收物体透射或者反射的光学信息，然后在大脑中形成的印象和认识，它其实只是客观存在的多维物体在人脑中的“成像”。
客观存在是不变的，而人的感觉是与周围环境有关的，所以人感觉是会变的。
人眼视网膜上存在大量能在适当亮度下分辨颜色的锥状细胞，它们分别对应红、绿、蓝三种颜色，即分别对红光、绿光、蓝光敏感。因此，红（R）、绿（G）、蓝（B）这三种颜色被称为三基色。

在这里插入图片描述

在三维直角坐标系中，用相互垂直的三个坐标轴代表R、G、B三个分量，并将R、G、B分别限定在[0,1]，则该单位正方体就代表颜色空间，其中的一个点就代表一种颜色。如下图所示，其中，r、g、b、c、m和y分别代表红色（red）、绿色（green）、蓝色（blue）、青色（cyan）、品红（magenta）和黄色（yellow）。
在这里插入图片描述

数字图像的本质是一个多维矩阵，如彩色图像是一个三维矩阵，灰度图像和黑白图像由二维矩阵表示。彩色图像一般可分为红、绿、蓝3个颜色通道，每个颜色通道对应一个完整的二维矩阵。可以对这3个二维矩阵进行操作，达到操作图像通道的目的。
国际照明委员会（CIE）于1931年制订了特定波长的三基色标准（RGB）。任一彩色C可表示为：
在这里插入图片描述

（二）颜色模型
色度图（国际亮度委员会International Committee on Illumination, CIE）表明定义颜色至少需要3个参数。用3元组(x, y, z)表达一个颜色和在3维空间定义一个点相似，称为颜色空间。
常见颜色空间：
RGB: 显示器、打印机、摄像机
HSI（HSV）：人眼识别
CMY：彩色印刷
YUV (YCbCr) ：电视信号
1.RGB模型
在三维直角坐标系中，用相互垂直的三个坐标轴代表R、G、B三个分量，并将R、G、B分别限定在[0,1]，则该单位正方体就代表颜色空间，其中的一个点就代表一种颜色。如下图所示，其中，r、g、b、c、m和y分别代表红色（red）、绿色（green）、蓝色（blue）、青色（cyan）、品红（magenta）和黄色（yellow）。
在这里插入图片描述

2．HSI模型
在这里插入图片描述

色调：颜色种类
饱和度saturation：指颜色的纯正程度。
与亮度有关：某一色调参入白光，色调不变但饱和度降低
与参入其它颜色的光有关：饱和度与色调都会改变。
亮度Intensity：人眼感受到的颜色光的强度。
同一种色块，在不同强度的白光照射下，反射的光波波长一样（色调相同），但人眼感觉到的颜色不同。某一颜色的光，亮度很弱，趋于黑色，反之，趋于白色。 HSI模型利用颜色的三个属性色调、饱和度和亮度组成一个表示颜色的圆柱体。

HSI模型利用颜色的三个属性色调、饱和度和亮度组成一个表示颜色的圆柱体。
色调H表明颜色的种类；
用角度表示，通常0°表示红色，120°表示绿， 240°表示蓝；
饱和度S表示颜色深、浅、浓、淡程度；饱和度参数是色环的原点（圆心）到彩色点的半径的长度。
I表示亮度，它决定了像素的像素的整体亮度，而不考虑色彩；反射系数越大，物体的亮度愈大，反之愈小。

3.RGB模型与HSI模型的关系

与RGB从物理和光学角度描述颜色不同， HSI则是根据视觉的主观感觉对颜色进行描述；
人眼不能直接感觉红、绿、蓝三色的比例，只能通过感知颜色的亮度、色调和饱和度来区分物体；
在HSI模型中，表征像素彩色信息的两个参数是色度（hue）和饱和度（saturation）。
转换公式
在这里插入图片描述

色调和饱和度为图像的固有属性，在图像处理中只对亮度分量进行修改和优化，可以避免由于直接对RGB分量进行处理时产生的图像失真。
在这里插入图片描述

4.伪彩色处理
伪彩色处理是把灰度图像的各个不同灰度按照线性或非线性的映射函数变换成不同的彩色，也可以将原来不是图像的数据表示成灰度图像，再转换成彩色图像达到增强的目的。
最简单的实现从灰度到彩色的变换方法可以把灰度图像的灰度级从0（黑）到Mi（白）分成N 个区间，i=1,2,L, N 。给每个区间Ii指定一种色彩Ci。该方法直观简单，缺点是变换出的彩色有限。
从灰度到彩色的一种更具代表性的变换方式是根据色度学的原理，将原图像 f(x,y)的灰度分段经过红、绿、蓝三种不同的变换，变成三基色分量R(x,y) 、G(x,y)、B(x,y)，然后用它们去控制彩色显示器的红、绿、蓝电子枪，以产生相应的彩色信号，彩色的含量由变换函数的形状决定。
5．颜色空间分割
图像分割是把图像分成各具特性的区域并提取出感兴趣区域的技术和过程。
基于彩色的图像分割是在颜色空间中进行图像分割，首先观察原始彩色图像的各个分量图像，利用分量图像中感兴趣区域的特征对感兴趣区域进行提取，并弱化背景区域。
HSI颜色空间是面向颜色处理的，用色调H饱和度S描述色彩，用亮度I描述光的强度。HSI模型有两个特点：I 分量与图像的彩色信息无关，H 分量和S 分量与人感受颜色的方式是紧密相连的。
RGB颜色空间中的分割算法是最直接的，得到的分割效果较好。

五、实验步骤

1．拆分并显示图像RGB空间的三个通道，步骤流程图如下：
在这里插入图片描述

图1 拆分RGB三通道流程图

2．RGB空间转换为HSI空间，步骤流程图如下：
在这里插入图片描述

图2 RGB空间转换为HSI空间流程图

3．图像的强度分层，步骤流程图如下：

在这里插入图片描述

图3 图像的强度分层流程图

4．灰度值到彩色变换并画出映射函数，步骤流程图如下：
在这里插入图片描述

图4 灰度值到彩色变换并画出映射函数的流程图

5．颜色空间分割，步骤流程图如下：
在这里插入图片描述

图5 HSI颜色空间中的分割流程图图6 RGB颜色空间中的分割流程图

六、实验结果及分析

1. 实现拆分并显示图像RGB空间的三个通道的代码。

from skimage import data, io
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签
plt.rcParams['axes.unicode_minus']=False
# 读入图像
image=io.imread('cat.jpg')
# 分别取出红、绿、蓝三个颜色通道
image_r = image[:, :, 0]
image_g = image[:, :, 1]
image_b = image[:, :, 2]
# 分别显示3个通道
plt.subplot(2, 2, 1)
io.imshow(image)
plt.title('原始图片')

plt.subplot(2, 2, 2)
io.imshow(image_r)
plt.title('R通道的图片')

plt.subplot(2, 2, 3)
io.imshow(image_g)
plt.title('G通道的图片')

plt.subplot(2, 2, 4)
io.imshow(image_b)
plt.title('B通道的图片')
plt.show()

使用skimage拆分并显示图像RGB空间的三个通道，实验结果如图7所示：

在这里插入图片描述

图7拆分并显示图像RGB空间的三个通道
分析：RGB颜色空间基于三维直角坐标系，包括R、G、B 3个原始光谱分量，分别描述了红色、绿色、蓝色的亮度值。在处理图像时需要分别对R、G、B三个分量进行处理，因此需要显示此三个通道的图像。

2.实现RGB空间转换为HSI空间的代码。

from skimage import data, io
from matplotlib import pyplot as plt
import math
import numpy as np
import sys

plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签
plt.rcParams['axes.unicode_minus']=False
# 定义RGB图像转换为HSI图像的函数
def RGB_to_HSI(r, g, b):
    r = r / 255
    g = g / 255
    b = b / 255
    num = 0.5 * ((r - g) + (r - b))
    den = ((r - g) * (r - g) + (r - b) * (g - b)) ** 0.5
    if b <= g:
        if den == 0:
            den = sys.float_info.min
        h = math.acos(num / den)
    elif b > g:
        if den == 0:
            den = sys.float_info.min
        h = (2 * math.pi) - math.acos(num / den)
    s = 1 - (3 * min(r, g, b) / (r + g + b))
    i = (r + g + b) / 3
    return int(h), int(s * 100), int(i * 255)

image = io.imread('girl.jpg')
#image = data.coffee()
hsi_image = np.zeros(image.shape, dtype='uint8')
for ii in range(image.shape[0]):
    for jj in range(image.shape[1]):
        r, g, b = image[ii, jj, :]
        h, s, i = RGB_to_HSI(r, g, b)
        hsi_image[ii, jj, :] = (h, s, i)

# 显示RGB原图像
plt.subplot(2, 4, 1)
plt.imshow(image)
#plt.axis('off')
plt.title('RGB原图像')

# 显示RGB原图像R分量
plt.subplot(2, 4, 2)
plt.imshow(image[:, :, 0],cmap='gray')
#plt.axis('off')
plt.title('RGB-R分量')

# 显示RGB原图像G分量
plt.subplot(2, 4, 3)
plt.imshow(image[:, :, 1],cmap='gray')
plt.axis('off')
plt.title('RGB-G分量')

# 显示RGB原图像B分量
plt.subplot(2, 4, 4)
plt.imshow(image[:, :, 2],cmap='gray')
plt.axis('off')
plt.title('RGB-B分量')

# 显示HSI原图像
plt.subplot(2, 4, 5)
plt.imshow(hsi_image)
plt.axis('off')
plt.title('HSI图像')

# 显示HSI图像H分量
plt.subplot(2, 4, 6)
plt.imshow(hsi_image[:, :, 0],cmap='gray')
plt.axis('off')
plt.title('HSI-H分量')

# 显示HSI图像S分量
plt.subplot(2, 4, 7)
plt.imshow(hsi_image[:, :, 1],cmap='gray')
plt.axis('off')
plt.title('HSI-S分量')

# 显示HSI图像I分量
plt.subplot(2, 4, 8)
plt.imshow(hsi_image[:, :, 2],cmap='gray')
plt.axis('off')
plt.title('HSI-I分量')

plt.show()

实现RGB空间转换为HSI空间，实验结果如图8所示：

在这里插入图片描述

图8 RGB空间转换为HSI空间

结果分析：为了更好的描述物体颜色，因此需要将原始彩色图像转为HSI颜色模式，而HSI的颜色空间是需要从RGB颜色空间转换成的。因此需要先拆分出RGB图像的三个通道，再根据公式分别计算HSI图像H分量、S分量、I分量。

3. 实现图像的强度分层的代码。

##图像强度分层
from skimage import io,color
from matplotlib import pyplot as plt
import numpy as np
import time

def gray_bin(image_matrix):
    initial_conv = np.where((image_matrix < 0.4), 0, 128)
    final_conv = np.where((image_matrix >= 0.8), 255, initial_conv)
    return final_conv

if __name__ == "__main__":
    img = io.imread("cat.jpg")
    gray_img = color.rgb2gray(img)
    plt.rcParams["font.sans-serif"] = ["SimHei"]
    plt.rcParams["axes.unicode_minus"] = False
    plt.subplot(1, 2, 1)
    plt.imshow(gray_img, cmap="gray")
    plt.title("灰度图像")
    rows, cols = gray_img.shape
    labels = gray_bin(gray_img)
    start_time = time.time()

    for i in range(rows):
        for j in range(cols):
            if(gray_img[i, j] < 0.4):
                labels[i, j] = 0
            elif(gray_img[i, j] < 0.8):
                labels[i, j] = 128
            else:
                labels[i, j] = 255
    end_time = time.time()
    print('totally cost :', end_time - start_time)
    psd_img = color.label2rgb(labels)
    plt.subplot(1, 2, 2)
    plt.imshow(psd_img)
    plt.title("强度分层图片")
    plt.show()

实现图像的强度分层，实验结果如图9所示：
在这里插入图片描述

图9图像的强度分层
结果分析：上图的左边为小猫的灰度图像，白色部分是感兴趣区域。通过观察得知，感兴趣区域的亮度值较高，此时通过强度分层技术对感兴趣区域着色，变为蓝色，以此与其他区域加以区分。

4. 实现灰度值到彩色变换并画出映射函数的代码。

from skimage import data, color,io
from matplotlib import pyplot as plt
import numpy as np

# 定义灰度级到彩色变换
L = 256
def GetR(gray):
    if gray < L / 2:
        return 0
    elif gray > L / 4 * 3:
        return L
    else:
        return 4 * gray - 2 * L
def GetG(gray):
    if gray < L / 4:
        return 4 * gray
    elif gray > L / 4 * 3:
        return 4 * L - 4 * gray
    else:
        return L
def GetB(gray):
    if gray < L / 4:
        return L
    elif gray > L / 2:
        return 0
    else:
        return 2 * L - 4 * gray
if __name__ == "__main__":
    img = io.imread("cat.jpg")
    grayimg = color.rgb2gray(img) * 255  # 将彩色图像转化为灰度图像
    colorimg = np.zeros(img.shape, dtype='uint8')
    for ii in range(img.shape[0]):
        for jj in range(img.shape[1]):
            a = grayimg[ii, jj]
            a0 = GetR(a)
            a1 = GetG(a)
            a2 = GetB(a)
            r, g, b = a0, a1, a2
            colorimg[ii, jj, :] = (r, g, b)

    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.subplot(1, 2, 1)
    plt.axis('off')
    plt.imshow(grayimg, cmap='gray')
    plt.title('灰度图像')
    plt.subplot(1, 2, 2)
    plt.axis('off')
    plt.imshow(colorimg)
    plt.title('伪彩色图像')
    plt.savefig('Intensity2Color.tif')
plt.show()
#画出各映射函数
# 设置字体格式
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['font.size'] = 15
plt.rcParams['axes.unicode_minus'] = False
x = [0, 64, 127, 191, 255]

# 绘制灰度图像到R通道的映射关系
R = []
for i in x:
    R.append(GetR(i))
plt.subplot(2, 2, 1)
plt.plot(x, R, 'r', label='红色变换')
plt.legend(loc='best')

# 绘制灰度图像到R通道的映射关系
G = []
for i in x:
    G.append(GetG(i))
plt.subplot(2, 2, 2)
plt.plot(x, G, 'g', label='绿色变换')
plt.legend(loc='best')
# 绘制灰度图像到B通道的映射关系
B = []
for i in x:
    B.append(GetB(i))
plt.subplot(2, 2, 3)
plt.plot(x, B, 'b', marker='o', markersize='5', label='蓝色变换')
plt.legend(loc='best')

# 绘制灰度图像到RGB的映射关系
plt.subplot(2, 2, 4)
plt.plot(x, R, 'r')
plt.plot(x, G, 'g')
plt.plot(x, B, 'b', marker='o', markersize='5')
plt.show()

实现灰度值到彩色变换并画出映射函数，实验结果如图10所示：
在这里插入图片描述

图10 实现灰度值到彩色变换

在这里插入图片描述

图11 灰度值到彩色变换的映射函数
结果分析：图10 为实现灰度值到彩色变换的结果，灰度值到彩色变换首先需要对任何像素的灰度值进行3个独立的变换，然后将3个变换结果分别作为伪彩色图像的红、绿、蓝通道的亮度值。图11 中前3个映射关系图分别为灰度图像到红、绿、蓝通道的映射关系图，最后一个图是将红色、绿色、蓝色变换的映射关系绘制到一幅图像。

5. 实现颜色空间分割的代码。
（1）HSI图像颜色空间分割：

from skimage import data, color, io
from matplotlib import pyplot as plt
import numpy as np
import math
import sys
def RGB_to_HSI(r, g, b):
    r = r / 255
    g = g / 255
    b = b / 255
    num = 0.5 * ((r - g) + (r - b))
    den = ((r - g) * (r - g) + (r - b) * (g - b)) ** 0.5
    if b <= g:
        if den == 0:
            den = sys.float_info.min
        h = math.acos(num / den)
    elif b > g:
        if den == 0:
            den = sys.float_info.min
        h = (2 * math.pi) - math.acos(num / den)
    s = 1 - (3 * min(r, g, b) / (r + g + b))
    i = (r + g + b) / 3
    return int(h), int(s * 100), int(i * 255)
if __name__ == "__main__":
    image = io.imread("girl.jpg")
    hsi_image = np.zeros(image.shape, dtype='uint8')
    for ii in range(image.shape[0]):
        for jj in range(image.shape[1]):
            r, g, b = image[ii, jj, :]
            h, s, i = RGB_to_HSI(r, g, b)
            hsi_image[ii, jj, :] = (h, s, i)
    H = hsi_image[:, :, 0]
    S = hsi_image[:, :, 1]
    I = hsi_image[:, :, 2]
    S_template = S > 0.3 * S.max()
    F = np.multiply(H, S_template)
    plt.rcParams["font.sans-serif"] = ["SimHei"]
    plt.rcParams["axes.unicode_minus"] = False
    plt.subplot(2, 3, 1)
    plt.axis('off')
    plt.imshow(image)  # 显示原始RGB图像
    plt.title("原始RGB图像")
    plt.subplot(2, 3, 2)
    plt.axis('off')
    plt.imshow(H, cmap="gray")  # 显示H分量图像
    plt.title("H分量")
    plt.subplot(2, 3, 3)
    plt.axis('off')
    plt.imshow(S, cmap="gray")  # 显示S分量图像
    plt.title("S分量")
    plt.subplot(2, 3, 4)
    plt.axis('off')
    plt.imshow(I,cmap="gray")  # 显示I分量图像
    plt.title("I分量")
    plt.subplot(2, 3, 5)
    plt.axis('off')
    plt.imshow(S_template,cmap="gray")  # 显示二值饱和图像
    plt.title("二值饱和图像")
    plt.subplot(2, 3, 6)
    plt.axis('off')
    plt.imshow(F)  # 显示分割结果
    plt.title("分割结果")
plt.show()

实现HSI图像颜色空间分割，实验结果如图12所示：

在这里插入图片描述

图 12 HSI图像颜色空间分割
结果分析：门限值等于最大饱和度的30%，在二值饱和度模板中，对大于门限值的赋1值，其他赋0值。H分量图像与二值饱和度模板相乘得到小猫图像的分割结果。
（2）RGB图像颜色空间分割：

from skimage import data, color, io
from matplotlib import pyplot as plt
import numpy as np
import math
# 中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

image = io.imread("cat.jpg")
r = image[:, :, 0]
g = image[:, :, 1]
b = image[:, :, 2]
# RGB颜色空间中的分割
# 选择样本区域
r_template = r[128:255, 85:169]
# 计算该区域的彩色点的平均向量a的红色分量
r_template_u = # 计算样本点红色分量的标准差
r_template_d = 0.0
for i in range(r_template.shape[0]):
    for j in range(r_template.shape[1]):
        r_template_d = r_template_d + (r_template[i, j] - r_template_u) * (r_template[i, j] - r_template_u)

r_template_d = math.sqrt(r_template_d / r_template.shape[0] / r_template.shape[1])
# 寻找符合条件的点，r_cut为红色分割图像
r_cut = np.zeros(r.shape, dtype='uint8')
for i in range(r.shape[0]):
    for j in range(r.shape[1]):
        if r[i, j] >= (r_template_u - 1.25 * r_template_d) and r[i, j] <= (r_template_u + 1.25 * r_template_d):
            r_cut[i, j] = 1
# image_cut为根据红色分割后的RGB图像
image_cut = np.zeros(image.shape, dtype='uint8')
for i in range(r.shape[0]):
    for j in range(r.shape[1]):
        if r_cut[i, j] == 1:
            image_cut[i, j, :] = image[i, j, :]
plt.subplot(2, 3, 1)
plt.axis('off')
plt.imshow(image)  # 显示原始图像
plt.title("原始RGB图像")

plt.subplot(2, 3, 2)
plt.axis('off')
plt.imshow(r,cmap='gray')  # 显示R图像
plt.title("R图像")

plt.subplot(2, 3, 3)
plt.axis('off')
plt.imshow(g,cmap='gray')  # 显示G图像
plt.title("G图像")

plt.subplot(2, 3, 4)
plt.axis('off')
plt.imshow(b,cmap='gray')  # 显示B图像
plt.title("B图像")
plt.subplot(2, 3, 5)
plt.axis('off')
plt.imshow(r_cut,cmap='gray')  # 显示红色分割图像
plt.title("红色分割图像")
plt.subplot(2, 3, 6)
plt.axis('off')
plt.imshow(image_cut)  # 显示分割后的RGB图像
plt.title("分割后的RGB图像")
plt.show()

实现根据红色分割后的RGB图像，运行结果如下图13所示：
在这里插入图片描述

图 13 RGB图像颜色空间分割
分析：对比图12 HSI颜色空间的分割结果，可以看出图13 RGB空间中进行彩色分割的效果更好。对比原始图像，它对感兴趣区域进行提取，并弱化了背景区域。

七、实验总结

（1）RGB颜色空间基于三维直角坐标系，包括R、G、B 3个原始光谱分量，分别描述了红色、绿色、蓝色的亮度值。在处理图像时需要分别对R、G、B三个分量进行处理，因此需要显示此三个通道的图像，分离出来的RGB单通道图像是灰度图。由实验可知，虽然图像采用RGB颜色模式，但并不能反映图像的形态特征，只是从光学原理上进行颜色的调配。
（2）为了更好的描述物体颜色，因此需要将原始彩色图像转为HSI颜色模式，而HSI的颜色空间是需要从RGB颜色空间转换成的。因此需要先拆分出RGB图像的三个通道，再根据公式分别计算HSI图像H分量、S分量、I分量。这三个分量分别代表了色调、饱和度、亮度。
（3）强度分层：将灰度图像按照灰度值范围划分为不同的层级，然后给每个层级赋予不同的颜色，从而增强不同层级的对比度。实验可得：对灰度图像，根据感兴趣区域。感兴趣区域的亮度值较高，此时通过强度分层技术对感兴趣区域着色，变为突出的颜色，以此与其他区域加以区分。
（4）灰度值到彩色变换：灰度值到彩色变换首先需要对任何像素的灰度值进行3个独立的变换，然后将3个变换结果分别作为伪彩色图像的红、绿、蓝通道的亮度值。与强度分层技术相比，灰度值到彩色变换的技术更通用，可以突出多个感兴趣区域。
（5）HSI颜色空间是面向颜色处理的，I分量与图像的彩色信息无关，H分量和S分量与人感受颜色的方式是紧密相连的。对比 HSI颜色空间的分割结果，可以看出 RGB空间中进行彩色分割的效果更好。对比原始图像，它对感兴趣区域进行提取，并弱化了背景区域。

小小_喻

关注

7
点赞
踩
37

收藏

觉得还不错? 一键收藏
打赏
0
评论
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

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
复制链接

扫一扫