OpenCV笔记之六（4） |
您所在的位置：网站首页 › combine的其他形式 › OpenCV笔记之六（4） |
OpenCV笔记之六（4）
|
5.通道拆分与合并
我们都知道，一张彩色图像一般由R、G、B三个通道组成，通过对NumPy数组的索引我们可以轻易地获取到这些通道的值，那该如何对颜色通道进行拆分来分别提取这三个分量呢？opencv中提供了split函数专门为此服务。 此外，对于三个单独的R、G、B颜色通道，我们可以借助merge函数来对它们进行合并来合成一张RGB彩色图像。 Practical Python and OpenCV, 3rd Edition 的随书代码中给出了一份简单的示例。 a.源代码呈现splitting_and_merging.py # USAGE # python splitting_and_merging.py --image ../images/wave.png # Import the necessary packages import numpy as np import argparse import cv2 # Construct the argument parser and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required = True, help = "Path to the image") args = vars(ap.parse_args()) # Load the image and grab each channel: Red, Green, and Blue # NOTE: OpenCV stores an image as NumPy array with its # channels in reverse order! When we call cv2.split, we are # actually getting the channels as Blue, Green, Red! image = cv2.imread(args["image"]) (B, G, R) = cv2.split(image) # Show each channel individually cv2.imshow("Red", R) cv2.imshow("Green", G) cv2.imshow("Blue", B) cv2.waitKey(0) # Merge the image back together again merged = cv2.merge([B, G, R]) cv2.imshow("Merged", merged) cv2.waitKey(0) cv2.destroyAllWindows() # Now, let's visualize each channel in color zeros = np.zeros(image.shape[:2], dtype = "uint8") cv2.imshow("Red", cv2.merge([zeros, zeros, R])) cv2.imshow("Green", cv2.merge([zeros, G, zeros])) cv2.imshow("Blue", cv2.merge([B, zeros, zeros])) cv2.waitKey(0) b.代码分析通道拆分 Line 20-26 借助cv2.split函数将图像的颜色通道分别拆分为B、G、R三个通道并分别显示。【由于是单通道，以灰度图形式呈现】 运行结果如下表所示。    RedGreenBlue
通过单通道的图片显示，不难发现，相较于绿色和蓝色通道，红色通道显示的图片整体偏暗。这也不难解释，海浪几乎不存在红色，而相对来说更多呈现的是青蓝色，因此蓝色通道的图片是最亮的。 通道合并 Line 29-31 借助cv2.merge函数重新将该3个通道进行合并，检验是否呈现为原先的彩色RGB图片。
Line 32 清除所有已显示的图像，以便下一步工作。 接下来我们借助merge函数来呈现单色图片，这将让我们更深刻地理解颜色通道的概念。 Line 35-39 为了呈现单色图片，则只需将其他的颜色通道都置0。例如：若想要显示为红色图片，则我们只需关注R通道像素的亮度值，而忽略其他颜色通道的像素值。 首先，建立一个图像大小的全零矩阵，并分别将该矩阵分给G通道和B通道，并由merge函数与R通道合并。则绿色和蓝色完全不显示，只呈现红色图像。若要显示为绿色和蓝色图像则同理。 运行代码后的结果如下表所示。    RedGreenBlue
6.颜色空间
（1）彩色图像处理
彩色光源的质量通常 由3 个基本量描述：辐射度 【光源流出总能量，通常以瓦特(W)为单位】、照度【观察者从光源感知到的能量度量，以流明(lm)为单位】 和亮度。 而区分颜色通常有3个特征：亮度、色调和饱和度。 亮度是一个主观描述的概念，实际无法度量。 色调是与混合光波中主波长相关的属性。平日里我们常说的红色、黄色就是指色调。 饱和度指的其实就是色彩的纯度。色彩中白光的比例越高，色彩饱和度越低，色彩显得越黯淡；反之则较鲜艳。纯光谱的颜色就是完全饱和的。 通常我们将色调和饱和度一起称为色度。因此一种颜色可以简单地用亮度和色度来描述。 （2）颜色空间为了方便准确地指定某种具体的颜色，我们引入了颜色空间。常见的颜色空间有RGB、CMY、HSV、HSI、L*a*b*等。 通常为人所知的是由红、绿、蓝三原色组成的RGB颜色空间。
如图所示，RGB色彩空间是基于笛卡尔坐标系的，RGB主值位于三个角。每个像素的位数称为像素深度，RGB空间中红、绿、蓝图像分别是一个8位图像（表示每种原色可以分为2^8 = 256个等级），因此每个RGB彩色像素的深度为24位，即总共可以表示2^24 = 16777216种颜色。 RGB颜色空间非常易于理解，但是不适合人类解释。例如：它不能给出每个主色的百分比来指示一个物体的颜色。而先前提到，人类观察一个彩色物体，通常通过色度、饱和度和亮度来描述。 而HSI【色调(H)、饱和度(S)、强度(I)】和HSV【色调(H)、饱和度(S)、值(V)】颜色空间则能够很直观地表现出某一种颜色或颜色区间，但是通常对人类视觉不那么友好。 L*a*b*颜色空间则试图模仿人类看到和解释颜色的方法。这意味着L*a*b*颜色空间中任意两种颜色之间的欧几里得距离具有实际的感知意义，这使得L*a*b*颜色空间比RGB或HSV更不直观但更容易理解。但由于感知意义属性的增加，我们经常在计算机视觉中使用它。例如，我们可以应用L*a*b*空间和k均值聚类算法来寻找图像中的主色调。我们还可以借此对颜色进行量化，从而减少图像中的色彩总数。 接下来看一下书上的示例，来了解如何利用opencv对颜色空间进行转换。 （3）源码实例 a.源代码呈现colorspaces.py # USAGE # python colorspaces.py --image ../images/beach.png # Import the necessary packages import numpy as np import argparse import cv2 # Construct the argument parser and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required = True, help = "Path to the image") args = vars(ap.parse_args()) # Load the image and show it image = cv2.imread(args["image"]) cv2.imshow("Original", image) # Convert the image to grayscale gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv2.imshow("Gray", gray) # Convert the image to the HSV (Hue, Saturation, Value) # color spaces hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) cv2.imshow("HSV", hsv) # Convert the image to the L*a*b* color spaces lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB) cv2.imshow("L*a*b*", lab) cv2.waitKey(0) b.代码分析Line 20-21 将RGB彩色图像转换为灰度图。一幅灰度图的像素深度是8位。0表示最暗的黑色，255表示最亮的白色。 Line 25-26 将RGB彩色图像转换为HSV图像。 Line 29-30 将RGB彩色图像转换为L*a*b*图像。 c.运行结果
|
【本文地址】
今日新闻 |
推荐新闻 |