Opencv 图像处理：图像通道直方图与色彩空间

Posted 2022-10-25

本文已收录于Opencv系列专栏： ​​深入浅出OpenCV​​ ，专栏旨在详解Python版本的Opencv，为计算机视觉的开发与研究打下坚实基础。免费订阅，持续更新。

1.图像通道

通道分离

目的

将彩色图像，分成b 、g 、r 3个单通道图像。方便我们对 BGR 三个通道分别进行操作。

函数：

cv2.split(img)

参数说明

参数1 ：待分离通道的图像

例程

#加载opencv
import cv2
src=cv2.imread(split.jpg)
cv2.imshow(before,src)
#调用通道分离
b,g,r=cv2.split(src)
#三通道分别显示
cv2.imshow(blue,b)
cv2.imshow(green,g)
cv2.imshow(red,r)
cv2.waitKey(0)
cv2.destroyAllWindows()

分离后的每个通道实际上还是一个灰度图，输出之后每个通道仍是灰色的。如果想要查看每个颜色的图，应该进行合并。这时需要生成一个规模相同的零矩阵。

np.zeros(image.shape[:2],dtype="uint8")# 无符号的8位，即0-255

其中print(image.shape[:2])取出的就是该照片的长宽(459, 571)。

#导入opencv模块
import numpy as np
import cv2            
 
image=cv2.imread("split.jpg")#读取要处理的图片
cv2.imshow("src",image)
cv2.waitKey(0)
B,G,R = cv2.split(image)#分离出图片的B，R，G颜色通道

zeros = np.zeros(image.shape[:2],dtype="uint8")#创建与image相同大小的零矩阵
cv2.imshow("BLUE",cv2.merge([B,zeros,zeros]))#显示 （B，0，0）图像
cv2.imshow("GREEN",cv2.merge([zeros,G,zeros]))#显示（0，G，0）图像
cv2.imshow("RED",cv2.merge([zeros,zeros,R]))#显示（0，0，R）图像
cv2.waitKey(0)
cv2.destroyAllWindows()

通道合并

目的

通道分离为B,G,R 后，对单独通道进行修改，最后将修改后的三通道合并为彩色图像。

函数：

cv2.merge(List)

参数说明

参数1 ：待合并的通道数，以 list 的形式输入

例程

#加载opencv
import cv2
src=cv2.imread(split.jpg)
cv2.imshow(before,src)
#调用通道分离
b,g,r=cv2.split(src)
#将Blue通道数值修改为0
g[:] = 0
#合并修改后的通道
img_merge=cv2.merge([b,g,r])
cv2.imshow(merge,img_merge)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.图像直方图

图像直方图：

图像直方图（Image Histogram）是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。这种直方图中，横坐标的左侧为纯黑、较暗 的区域，而右侧为较亮、纯白的区域。

图像直方图的意义：

• 直方图是图像中像素强度分布的图形表达方式
• 它统计了每一个强度值所具有的像素个数
• CV 领域常借助图像直方图来实现图像的二值化

直方图绘制

目的

直方图是对图像像素的统计分布，它统计了每个像素（0 到 255 ）的数量。

函数：

cv2.calcHist(images, channels, mask, histSize, ranges)

参数说明

参数1：待统计图像，需用中括号括起来

参数2：待计算的通道

参数3：Mask，这里没有使用，所以用 None。

参数4：histSize ，表示直方图分成多少份

参数5：是表示直方图中各个像素的值 ，[0.0, 256.0]表示直方图能表示像素值从 0.0 到 256 的像素。直方图是对图像像素的统计分布，它统计了每个像素（ 0 到 255）的数量。

方法一：cv库

from matplotlib import pyplot as plt
import cv2
import numpy as np
img = cv2.imread(girl.jpg)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.imshow(img_gray, cmap=plt.cm.gray)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])


plt.figure()
plt.title("Grayscale Histogram")
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
plt.plot(hist)
plt.xlim([0, 256])
plt.show()

方法二：plt库

#加载第三方库
from matplotlib import pyplot as plt
import cv2

girl = cv2.imread("girl.jpg")
cv2.imshow("girl", girl)
# girl.ravel()函数是将图像的三位数组降到一维上去，
#256为bins的数目,[0, 256]为范围
plt.hist(girl.ravel(), 256, [0, 256])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

三通道直方图绘制

from matplotlib import pyplot as plt
import cv2
girl = cv2.imread("girl.jpg")
cv2.imshow("girl", girl)
color = ("b", "g", "r")
#使用for循环遍历color列表，enumerate枚举返回索引和值
for i, color in enumerate(color):
    hist = cv2.calcHist([girl], [i], None, [256], [0, 256])
    plt.title("girl")
    plt.xlabel("Bins")
    plt.ylabel("num of perlex")
    plt.plot(hist, color = color)
    plt.xlim([0, 260])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

3.图像色彩空间

概念：

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。

常见的颜色空间：

RGB 、 HSV 、 HSI 、 CMYK

RGB 颜色空间

主要用于计算机图形学中，依据人眼识别的颜色创建，图像中每一个像素都具有 R,G,B 三个颜色分量组成，这三个分量大小均为 [ 0，255]。通常表示某个颜色的时候，写成一个 3 维向量的形式（ 110,150,130 ）。

颜色模型：

• 原点对应的颜色为黑色，它的三个分量值都为 0
• 距离原点最远的顶点对应的颜色为白色，三个分量值都为1
• 从黑色到白色的灰度值分布在这两个点的连线上，该虚线称为灰度线；
• 立方体的其余各点对应不同的颜色，即三原色红、绿、蓝及其混合色黄、品红、 青色；

对角线上的值都是一样的，我们称它为灰度线。

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，这个模型中颜色的参数分别是：色调（ H ），饱和度 （S），明度（V）。

颜色模型：

• H 通道 Hue ，色调色彩，这个通道代表颜色。
• S 通道 Saturation ，饱和度，取值范围0%~100%，值越大，颜色越饱和。
• V 通道 Value ，明暗，数值越高，越明亮， 0%（黑）到 100%（白）。

RGB空间与HSV 转化

import cv2
#色彩空间转换函数
def color_space_demo(image):
    gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    cv2.imshow(gray,gray)
    hsv=cv2.cvtColor(image,cv2.COLOR_BGR2HSV)
    #print(hsv)
    cv2.imshow(hsv,hsv)
#读入一张彩色图
src=cv2.imread(girl.jpg)
cv2.imshow(before,src)
#调用color_space_demo函数进行色彩空间转化
color_space_demo(src)
cv2.waitKey(0)
cv2.destroyAllWindows()

HSI 颜色空间概念

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。

模型优点

• 在处理彩色图像时，可仅对I分量进行处理，结果不改变原图像中的彩色种类；
• HSI 模型完全反映了人感知颜色的基本属性，与人感知颜色的结果一一对应。

CMYK 颜色空间

CMYK(Cyan,Magenta,Yellow,blacK)颜色空间应用于印刷工业,印刷业通过青(C)、品(M)、黄(Y)三原色油墨的不同网点面积率的叠印来表现丰富多彩的颜色和阶调，这便是三原色的CMY颜色空间。