传统图像处理之颜色特征

创始人

2024-06-01 11:50:51

0次

博主简介

博主是一名大二学生，主攻人工智能研究。感谢让我们在CSDN相遇，博主致力于在这里分享关于人工智能，c++，Python，爬虫等方面知识的分享。如果有需要的小伙伴可以关注博主，博主会继续更新的，如果有错误之处，大家可以指正。

专栏简介：本专栏主要研究计算机视觉，涉及算法，案例实践，网络模型等知识。包括一些常用的数据处理算法，也会介绍很多的Python第三方库。如果需要，点击这里订阅专栏。

给大家分享一个我很喜欢的一句话：“每天多努力一点，不为别的，只为日后，能够多一些选择，选择舒心的日子，选择自己喜欢的人！”

颜色特征

RGB颜色特征

HIS颜色空间

HSV颜色空间

颜色直方图

OpenCV图像色调、对比度变化

在深度学习广泛应用之前，也就是我们所说的传统图像处理，人们是如何处理图像的呢？首先找出图片中的关键特征，然后对这些特征进行识别，检测，分割等。在对计算机进行处理时，也需要先寻找特征。在让计算机理解图像之前，我们先来熟悉熟悉图像特征。

颜色特征

对于颜色特征，我们在描述它之前，我们首先要选择合适的颜色空间来描述颜色特征，颜色空间包括灰度图，RGB、HIS、HSL、HSV、HSB、YCrCB、CIE、XYZ、CIE、Lab等；其次，我们要采用一定的零花方法将颜色特征表达为向量的形式；最后，还要定义相似度。

RGB颜色特征

色彩三原色应该都听过，及品红，黄，青（不是蓝色），这是我们在平时所使用的，但是对于计算机来说，他们呢的显示屏使用的则是：红、绿、蓝。他们对应的波长为700nm，546

.1nm，435.8nm。这三种颜色可以根据不同的比例组成不同的颜色，而他们混合后就是白色。

RGB模式是如何定义的喃？根据不同的亮度值，将每种颜色分为0~255，所有颜色可以用三种颜色混合得到。那么一共有（256x256x256=16777216种。例如纯黑色（0，0，0）和纯白色（255，255，255）。

import cv2
img=cv2.imread('F:\Image\\test1.jpg',cv2.IMREAD_COLOR)
print(img)
[[[180 204 220] [176 200 219] [171 192 216] ... [144 169 217] [142 168 219] [145 173 223]] [[171 195 211] [167 190 209] [161 183 207] ... [133 157 206] [131 157 207] [133 162 212]] [[165 189 205] [161 184 203] [155 177 201] ... [124 149 197] [122 149 199] [125 154 204]] ...
...
... [ 35 60 113] [ 51 77 130] [ 65 91 144]]]

看上面图片的矩阵输出，你们会发现，它的值都是在0~255之间，这就是因为他们都是色彩三原色构成，组成一个三维矩阵。所以我们如果要对图片操作，就只需要对三维矩阵操作就可以了。博主有一篇文章就是介绍这个的，比如打马赛克，当然，后面的学习会更精彩。言归正传，除了RGB色彩，我们还需要认识其他的颜色空间。

HIS颜色空间

HIS模式是从人的视觉系统出发，用色调，饱和度和亮度来描述色彩。因为该颜色空间非常的逼近人的视觉系统，因此，用HIS来处理图像非常的逼真，当然，除此之外，还有一个原因是现在的很多图像处理算法都是关于HIS的，所以，使用HIS更加方便我们操作。

HIS颜色空间，H指色调或色相，表示光线的波长，取值范围为0~360度；S指饱和度，表示色彩的纯度，取值范围为0~100%（饱和）；I指亮度，表示敏感程度，取值范围为0~100%。如果想实现颜色空间转化，那么我们只需要用到cv2.cvtColor(img,cv2.COLOR_BGR2RGB).第二个参数为转换方式：

函数转换解释文档

点击这个解释文档，就可以得到转换方式。太多了，博主就不一一介绍了，基本上就是COLOR_BGR2**,后面的就是要转换的格式，如RGB,HIS,YCrCb等，当然，opencv2版本则不一样，官网会有介绍。

import cv2
img=cv2.imread('F:\Image\\test1.jpg',cv2.IMREAD_COLOR)
cv2.imshow('1',img)
#转换为rgb颜色空间
rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
cv2.imshow('2',rgb)
#转换为hls颜色空间
his=cv2.cvtColor(img,cv2.COLOR_BGR2HLS)
cv2.imshow('3',his)
#转换为灰度图像
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('4',gray)
cv2.waitKey(0)

上面的图片展示了不同的颜色空间下的图片，我们可以发现，不同的颜色空间对应的图片也是不同的，所以如果要使用图片，就要根据当时的情况来进行选择。

HSV颜色空间

HSV颜色空间的模型和HIS相似，依据色泽，明暗和色调来定义颜色，其中H代表色度，S代表饱和度，V代表亮度，要注意的是这里的色度、饱和度的定义均和HIS颜色空间不同。该空间比RGB模式更接近于人对色彩的感知，在计算机领域应用最为广泛。

圆锥的顶面对应于亮度V=1（最亮）。色度H由目标位置绕V轴的旋转角给定：0°对应红色，120°对应绿色，240°对应蓝色（正好为RGB三原色）。在HSV空间中，每种颜色和他的补色相差180°。饱和度S取值范围为0~1，对应圆锥顶面的半径为1.要注意的是饱和度为1的颜色，其纯度一般小于1.在圆锥的顶点处，V=0，H和S无定义表示最暗的黑色；在原罪的顶面中心处，S=0，V=1，H无定义，代表最亮的白色。从该点到原点，代表亮度渐暗的灰色，对于这些点，S0，H均无定义。在圆锥顶面的圆周上的颜色，V=1，S=1，即纯色。如图，斜边表示亮度V，每个圆面的半径方向表示饱和度S。

我们来看一下HSV图片的矩阵形式：

BGR：

[[[180 204 220] [176 200 219] [171 192 216] ... [144 169 217] [142 168 219] [145 173 223]] [[171 195 211] [167 190 209] [161 183 207] ... [133 157 206] [131 157 207] [133 162 212]] [[165 189 205] [161 184 203] [155 177 201] ... [124 149 197] [122 149 199] [125 154 204]] ...
...
... [ 35 60 113] [ 51 77 130] [ 65 91 144]]]

HSV

[[[ 18 46 220] [ 17 50 219] [ 14 53 216] ... [ 10 86 217] [ 10 90 219] [ 11 89 223]] [[ 18 48 211] [ 16 51 209] [ 14 57 207] ... [ 10 90 206] [ 10 94 207] [ 11 95 212]] [[ 18 50 205] [ 16 53 203] [ 14 58 201] ... [ 10 94 197] [ 11 99 199] [ 11 99 204]] ...
...
... [ 10 176 113] [ 10 155 130] [ 10 140 144]]]

颜色直方图

颜色直方图是在图像检索中被广泛采用的颜色特征。他所描述的是不同色彩在整幅图像中所占的比例，而与每种颜色所处位置无关，既无法描述图像中的具体物体。因此，颜色直方图对物体识别基本没有帮助，但特别适合处理难以进行自动分割的图像。

由于颜色空间太大，计算颜色直方图需要将颜色空间划分成若干个小区间，每个小区间成为直方图的一个bin，这个过程称为颜色量化。然后，通过计算落在每个bin内的像素数量可以得到颜色直方图。颜色量化有多种方式，有向量量化，聚类方法和神经网络方法。最常用的就是向量量化，即将颜色空间的各个维度均匀的进行划分。

颜色直方图特征匹配方法：距离法，中心距法，直方图相交法、参考颜色表法、累加颜色直方图法等。

在OPenCV中，我们使用函数cv2.calcHist()方法计算颜色直方图，此函数的可选参数：图像img、使用的通道channels、使用的掩模mask、大小HistSize和直方图柱的范围ranges。

import cv2
import matplotlib.pyplot as plt
img=cv2.imread('F:\Image\\test1.jpg',cv2.IMREAD_COLOR)
#展示原图片
cv2.imshow('',img)
cv2.waitKey(0)
#分为三个通道
color=('b','g','r')
for i,col in enumerate(color):histr=cv2.calcHist([img],[i],None,[256],[0,256])#画图plt.plot(histr,color=col)
plt.show()

上面第一个图象是原图，第二个就是实现对该图像进行颜色直方图的分析的线性图。然后覆盖了源代码。

OpenCV图像色调、对比度变化

毫无疑问，图像的色调、颜色、对比度、明暗度均可以调整，由于物体的类别与颜色关系不大，所以调整图片的色调和颜色也能够作为数据增强的手段之一。比如后面我们要介绍到的物体识别，图像检测等，都会把图像转变为灰色。

我么先来认识一下图像色调变化：


import cv2
import numpy as np
img=cv2.imread('F:\Image\\test2.jpg',cv2.IMREAD_COLOR)
cv2.imshow('原图片',img)
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#改变色调
hsv[:,:,0]=(hsv[:,:,0]+10)%180
#改变饱和度
hsv[:,:,1]=(hsv[:,:,1]+10)%255
#改变明暗度hsv[:,:,2]=(hsv[:,:,2]+10)%255
#转化为RGB格式
img1=cv2.cvtColor(hsv,cv2.COLOR_HSV2BGR)
#显示图片
cv2.imshow('图片调整',img1)
cv2.waitKey(0)