OpenCV最經典的3種顏色空間（cv2.cvtColor）及互相轉換

• • 1. 效果圖
  • 2. 原理
  • • 2.1 照明條件的重要性
    • 2.2 OpenCV 中的3種顏色空間/模型
    • 2.3 顏色空間的主要用途
  • 3. 源碼
  • 參考

OpenCV中有超過150種顏色空間，這篇博客將介紹OpenCV中最經典的3種顏色空間（RGB、HSV、 L* a* b*）及其轉換，并討論光照條件、色彩空間在計算機視覺應用中的關鍵作用。

關鍵要點是在編寫代碼前始終考慮照明條件！一般來說，控制照明條件比編寫代碼來補償在低質量下捕獲的圖像更容易。

• RGB顏色空間是計算機視覺中最常見的顏色空間，簡單但并不直觀，因為很難肉眼準確確定某種顏色由多少紅色、綠色和藍色組成。呈現為立方體。
• HSV 顏色空間很直觀，它允許沿著圓柱體而不是 RGB 立方體定義顏色。 HSV 顏色空間還為亮度/白度提供了單獨的維度，從而更容易定義顏色深淺。
• RGB 和 HSV 都無法模仿人類感知顏色的方式，而 L* a* b* 色彩空間可以感知差異，并從歐幾里得距離判斷倆種顏色的相似性。

HSV和Lab*顏色空間數值都重新縮放了以適合紙質印刷的動態范圍。

1. 效果圖

RGB原圖 VS 各通道效果圖如下：

HSV原圖 VS 各通道效果圖如下：

Value 圖本質上是一個灰度圖像——這是因為該值控制著顏色的實際亮度，而 Hue 和 Saturation 定義了實際的顏色和陰影。

L * a * b * VS 各通道效果圖如下：

與HSV示例類似，L通道專門用于顯示給定像素的亮度。 a通道和b通道確定了像素的陰影和顏色。

2. 原理

2.1 照明條件的重要性

照明可能意味著計算機視覺算法成功與失敗之間的區別。事實上，光照甚至可能是最重要的因素。

在編寫代碼之前，盡可能地獲得理想的照明條件。控制照明條件比編寫代碼來補償較低的照明條件更容易。

處理光照條件時應尋求實現的三個目標：

• 高對比度（應該尋求最大化圖像中感興趣區域之間的對比度（即想要檢測、提取、描述、分類、操作等的“對象”與圖像的其余部分具有足夠高的對比度，盡量確保環境的背景和前景之間有高對比度）；

• 可推廣的（照明條件應該足夠一致，以便擴展）；

• 穩定的（具有穩定、一致、可重復的光照條件是計算機視覺應用開發的圣杯。）

2.2 OpenCV 中的3種顏色空間/模型

顏色模型是在顏色空間中用數字表示顏色的一種抽象方法。

• RGB
  

RGB 代表圖像中的紅、綠、藍分量，通常被視為立方體。

• RGB顏色空間是加法顏色空間的一個示例：添加的顏色越多，像素越亮，越接近白色；
• [0,255]共256個值； 紅色+綠色=黃色。紅色+藍色=粉紅色。紅+綠+藍=白色。
  R=252, G=198, B=188 = 白色人種膚色。
  R=22，G=159，B=230=藍色徽標。

• HSV
  

HSV 顏色空間將其重塑為圓柱體而不是立方體，亮度是一個單獨的維度

• Hue：色調，正在檢查哪種“純”顏色。例如“紅色”顏色的所有陰影和色調都將具有相同的色調。 [0, 179]
• Saturation：飽和度，顏色有多“白”。完全飽和的顏色將是“純色”，如“純紅色”。零飽和度的顏色將是純白色。 [0, 255]
• Value：值允許控制顏色的亮度。值為零表示純黑色，而增加值會產生較淺的顏色。 [0, 255]

• Lab

在RGB 和 HSV 顏色空間中，歐幾里得距離無法“測量”各種顏色之間顏色的感知差異。 而Lab 顏色空間可以模仿人類觀察和解釋顏色的方法。 Lab 是一個3軸系統，它使得兩種任意顏色之間的歐幾里德距離具有實際的感知意義。**

• L-通道：像素的“亮度”。該值在垂直軸上上下變化，從白色到黑色，在軸的中心為中性灰色。
• a-通道：源自 L 通道的中心，在光譜的一端定義純綠色，在另一端定義純紅色。
• b 通道：源自 L 通道的中心，但垂直于 a 通道??。 b 通道在光譜中一端定義純藍色，另一端定義純黃色。 同樣，雖然 Lab* 顏色空間不如 HSV 和 RGB 顏色空間直觀且不易理解，但它在計算機視覺中得到了大量使用。
  這是由于顏色之間的距離具有實際的感知意義，使我們能夠克服各種光照條件問題。它還用作強大的彩色圖像描述符。

2.3 顏色空間的主要用途

• RGB：足夠簡單，主要用于在顯示器上顯示顏色；

• HSV：當有興趣根據顏色跟蹤圖像中的對象時，使用 HSV 定義顏色范圍非常容易。

• Lab：提供了感知均勻性，可以模仿人類觀察和解釋顏色的方法，使得兩種任意顏色之間的距離具有實際意義。 當關心跨多個設備的色彩管理、色彩傳輸或色彩一致性時，L * a * b色彩空間可以提供出色的彩色圖像描述符。

• 灰度：不是顏色空間，但在顏色無關緊要的應用中，例如在檢測人臉或構建對象分類器時，忽略顏色使用圖像的灰度表示——這能夠節省內存并提高計算效率。

3. 源碼

可以看到Opencv中共有274種顏色空間；

# 加載圖像，并演示如何使用RGB、HSV和L*a*b*顏色空間。
# USAGE
# python color_spaces.py# 導入必要的包
import argparse
import cv2
import imutils# 遍歷查看所有顏色空間值
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print(flags)
print(len(flags))# 構建命令行參水及解析
# --image 輸入圖像路徑
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, default="ml3.jpg",help="path to input image")
args = vars(ap.parse_args())# 加載圖像并展示
image = cv2.imread(args["image"])
image = imutils.resize(image, width=200)
cv2.imshow("RGB", image)# 遍歷每一個單獨的通道并展示
# RGB 是最常用的色彩空間，但它并不是最直觀的色彩空間。
# 顏色的“白色”或“亮度”是每個紅色、綠色和藍色分量的加法組合。
for (name, chan) in zip(("B", "G", "R"), cv2.split(image)):cv2.imshow(name, chan)# 等待按鍵，關閉所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()# HSV 顏色空間轉換 RGB 顏色空間，將其重塑為圓柱體而不是立方體，亮度是一個單獨的維度
# - Hue：色調，正在檢查哪種“純”顏色。例如“紅色”顏色的所有陰影和色調都將具有相同的色調。 [0, 179]
# - Saturation：飽和度，顏色有多“白”。完全飽和的顏色將是“純色”，如“純紅色”。零飽和度的顏色將是純白色。 [0, 255]
# - Value：值允許控制顏色的亮度。值為零表示純黑色，而增加值會產生較淺的顏色。 [0, 255]
# 轉換圖像為HSV顏色空間并展示
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2.imshow("HSV", hsv)# 遍歷每一個單獨的H、S、V通道并展示
for (name, chan) in zip(("H", "S", "V"), cv2.split(hsv)):cv2.imshow(name, chan)# 按鍵關閉所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()# L * a * b顏色空間
# 計算紅色和綠色之間的歐幾里德距離；紅色和紫色；以及 RGB 顏色空間中的紅色和海軍藍：
import mathred_green = math.sqrt(((255 - 0) ** 2) + ((0 - 255) ** 2) + ((0 - 0) ** 2))
red_purple = math.sqrt(((255 - 128) ** 2) + ((0 - 0) ** 2) + ((0 - 128) ** 2))
red_navy = math.sqrt(((255 - 0) ** 2) + ((0 - 0) ** 2) + ((0 - 128) ** 2))
print(red_green, red_purple, red_navy)# 在RGB、HSV顏色空間計算歐幾里得距離，并不能得出紅色在某種意義上更類似于紫色而不是綠色？，
# 歐幾里得距離無法“測量”各種顏色之間顏色的感知差異在 RGB 和 HSV 顏色空間中。
# 這就是 L*a*b* 顏色空間的用武之地——它的目標是模仿人類觀察和解釋顏色的方法。
# L*a*b* 顏色空間中兩種任意顏色之間的歐幾里德距離具有實際的感知意義。
# 感知意義的加入使得 L*a*b* 顏色空間不如 RGB 和 HSV 那樣直觀和理解，但它在計算機視覺中被大量使用。本質上，L*a*b* 顏色空間是一個 3 軸系統：# - L-通道：像素的“亮度”。該值在垂直軸上上下變化，從白色到黑色，在軸的中心為中性灰色。
# - a-通道：源自 L 通道的中心，在光譜的一端定義純綠色，在另一端定義純紅色。
# - b 通道：也源自 L 通道的中心，但垂直于 a 通道??。 b 通道在光譜中一端定義純藍色，另一端定義純黃色。
# 同樣，雖然 L*a*b* 顏色空間不如 HSV 和 RGB 顏色空間直觀且不易理解，但它在計算機視覺中得到了大量使用。
# 這是由于顏色之間的距離具有實際的感知意義，使我們能夠克服各種光照條件問題。它還用作強大的彩色圖像描述符。
# 轉換圖像為L*a*b空間并展示
lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
cv2.imshow("L*a*b*", lab)
# 遍歷每個通道并展示
for (name, chan) in zip(("L*", "a*", "b*"), cv2.split(lab)):cv2.imshow(name, chan)# 等待按鍵，關閉所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()# 展示灰度圖，灰度圖并不是一種顏色空間
# 鑒于眼睛對色彩的敏感程度，眼睛的受體和錐體不同，因此比藍色更能感知綠色和紅色。感知綠色的量是紅色的近2被，感知紅色的量是藍色的倆倍多，
# 因此在轉換為灰度時，每個 RGB 通道的權重不均勻，
# Y = 0.299 \times R + 0.587 \times G + 0.114 \times B
# 當顏色無關緊要時，通常使用圖像的灰度表示（例如在檢測人臉或構建對象分類器時，對象的顏色無關緊要）。因此丟棄顏色能夠節省內存并提高計算效率。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Original", image)
cv2.imshow("Grayscale", gray)
cv2.waitKey(0)

參考

• https://www.pyimagesearch.com/2021/04/28/opencv-color-spaces-cv2-cvtcolor/
• https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_colorspaces/py_colorspaces.html#converting-colorspaces

總結

以上是生活随笔為你收集整理的OpenCV最经典的3种颜色空间（cv2.cvtColor）及互相转换的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。