第6章主要讲的是彩色图像处理，一些彩色模型如RGB，CMK，CMYK，HSI等色彩模型；彩色模型的变换关系；还包含由灰度图像怎样处理成假彩色图像；使用彩色分割图像等。本章比较少理论还有变换的描述，主要以代码为主，如有需要，请自行查看书本。

这里写目录标题

假彩色图像处理
- 灰度分层（灰度分割）和彩色编码
- 灰度值到彩色变换
- Gray -> RGB

假彩色图像处理

灰度分层（灰度分割）和彩色编码

def gray_slice(img_gray):img_ori = img_gray / 255.rows,cols = img_ori.shape[:2]labels = np.zeros([rows,cols])for i in range(rows):for j in range(cols):if(img_ori[i,j] < 0.125):labels[i,j] = 0elif(img_ori[i,j] < 0.25):labels[i,j] = 0.2elif(img_ori[i,j] < 0.375):labels[i,j] = 0.4elif(img_ori[i,j] < 0.5):labels[i,j] = 0.5elif(img_ori[i,j] < 0.625):labels[i,j] = 0.6elif(img_ori[i,j] < 0.75):labels[i,j] = 0.8elif(img_ori[i,j] < 0.875):labels[i,j] = 0.9else:labels[i,j] = 1return labels

# Gray to RGB
from skimage import io, exposure, colorimg_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0620(a)(picker_phantom).tif', 0)labels = gray_slice(img_ori)
labels = np.uint8(labels * 255)
img_rgb = color.label2rgb(labels)plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_ori, 'gray'), plt.title('Original')plt.subplot(142), plt.imshow(img_rgb, ), plt.title('Pseudo RGB')
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

# Gray to RGB
from skimage import io, exposure, color
def gray_slice(img_gray):rows,cols = img_gray.shape[:2]labels = np.zeros([rows,cols], np.uint8)for i in range(rows):for j in range(cols):if(img_gray[i,j] < 250):labels[i,j] = 125else:labels[i,j] = 100return labelsimg_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0621(a)(weld-original).tif', 0)labels = gray_slice(img_ori)
img_rgb = color.label2rgb(labels)plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_ori, 'gray'), plt.title('Original')plt.subplot(142), plt.imshow(img_rgb, ), plt.title('Pseudo RGB')
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

# Gray to RGB
from skimage import io, exposure, color
def gray_slice(img_gray):rows,cols = img_gray.shape[:2]labels = np.zeros([rows,cols], np.uint8)for i in range(rows):for j in range(cols):if(img_gray[i,j] < 31):labels[i,j] = 0elif(img_gray[i,j] < 63):labels[i, j] = 10elif(img_gray[i,j] < 95):labels[i, j] = 20elif(img_gray[i,j] < 127):labels[i, j] = 30elif(img_gray[i,j] < 159):labels[i, j] = 40elif(img_gray[i,j] < 191):labels[i, j] = 255elif(img_gray[i,j] < 223):labels[i, j] = 255else:labels[i,j] = 255return labelsimg_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0622(a)(tropical_rain_grayscale.tif', 0)labels = gray_slice(img_ori)
img_rgb = color.label2rgb(labels)hist, bins, patches = plt.hist(img_ori.flatten(), bins=256)
plt.figure(figsize=(15, 10))
plt.subplot(211), plt.imshow(img_ori, 'gray'), plt.title('Original')
plt.subplot(212), plt.imshow(img_rgb, ), plt.title('Pseudo RGB')
plt.tight_layout()
plt.show()

灰度值到彩色变换

# Gray to RGB
from skimage import io, exposure, colorimg_r = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(a)(WashingtonDC Band3-RED).TIF', 0)
img_g = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(b)(WashingtonDC Band2-GREEN).TIF', 0)
img_b = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(c)(1)(WashingtonDC Band1-BLUE).TIF', 0)
img_ir = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(d)(WashingtonDC Band4).TIF', 0)# IR G B
img_irgb = np.dstack([img_ir, img_g, img_b])# R IR B
img_RIRB = np.dstack([img_r, img_ir, img_b])plt.figure(figsize=(15, 10))
plt.subplot(231), plt.imshow(img_r, 'gray'), plt.title('Red Band')
plt.subplot(232), plt.imshow(img_g, 'gray'), plt.title('Green Band')
plt.subplot(233), plt.imshow(img_b, 'gray'), plt.title('Blue Band')
plt.subplot(234), plt.imshow(img_ir, 'gray'), plt.title('IR Band')
plt.subplot(235), plt.imshow(img_irgb), plt.title('IR G B ')
plt.subplot(236), plt.imshow(img_RIRB), plt.title('R IR B')
plt.tight_layout()
plt.show()# RGB
img_rgb = np.dstack([img_r, img_g, img_b])
plt.figure(figsize=(5, 5))
plt.imshow(img_rgb), plt.title('RGB')
plt.tight_layout()
plt.show()

# import numpy as np
# from skimage import io,exposure,color
# import matplotlib.pyplot as plt
# import math
# import sys# 灰度值到彩色变换
# 定义灰度值到彩色变换
L = 255
def GetR(gray):if gray < L/2:return 0elif gray > L/4*3:return Lelse:return 4*gray-2*L
def GetG(gray):if gray < L/4:return 4*grayelif gray > L/4*3:return 4*L-4*grayelse:return L
def GetB(gray):if gray < L/4:return Lelif gray > L/2:return 0else:return 2*L-4*graydef gray2rgb(img_gray):height, width = img_gray.shape[:2]dst = np.zeros((height, width, 3), dtype = 'uint8')for h in range(height):for w in range(width):r,g,b = GetR(img_gray[h,w]),GetG(img_gray[h,w]),GetB(img_gray[h,w])dst[h, w, :] = (r,g,b)return dst

# Gray to RGB
from skimage import io, exposure, colorimg_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0620(a)(picker_phantom).tif', 0)img_rgb = gray2rgb(img_ori)plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_ori, 'gray'), plt.title('Original')plt.subplot(142), plt.imshow(img_rgb, ), plt.title('Pseudo RGB')
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

# Gray to RGB
from skimage import io, exposure, colorimg_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0622(a)(tropical_rain_grayscale.tif', 0)img_rgb = gray2rgb(img_ori)plt.figure(figsize=(20, 10))
plt.subplot(141), plt.imshow(img_ori, 'gray'), plt.title('Original')plt.subplot(142), plt.imshow(img_rgb, ), plt.title('Pseudo RGB')
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

Gray -> RGB

严格来说这不是由于Gray转RGB，因为利用原来的GB通道

我们要将RGB表示转换为gGB表示，也就是用灰度分量g取代蓝色分量R，蓝色分量B和绿色分量G不变。我们可以从gGB计算出红色分量R，因为灰度g=pR+qG+tB（其中p=0.2989,q=0.5870,t=0.1140），于是R=(g-qG-t*B)/p。于是我们只要保留B和G两个颜色分量，再加上灰度图g，就可以回复原来的RGB图像。同样，我们这里的g是可以随便取代红绿蓝三种分量中的任一分量的。下面进行演示。

# Gray to RGB
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')src = img_ori.copy()
# src_gray = bgr2gray(img_ori)
src_gray = cv2.cvtColor(img_ori, cv2.COLOR_BGR2GRAY)B = src[:,:,0]
G = src[:,:,1]
R = src[:,:,2]# 灰度g=p*R+q*G+t*B（其中p=0.2989,q=0.5870,t=0.1140），于是B=(g-p*R-q*G)/t。于是我们只要保留R和G两个颜色分量，再加上灰度图g，就可以回复原来的RGB图像。
g = src_gray[:]
p = 0.2989; q = 0.5870; t = 0.1140
B_new = (g - p * R - q * G) /t
B_new = np.uint8(normalize(B_new) * 255) # 这种方式会有点偏蓝
# B_new = np.uint8(B_new / 255)            # 这种方式会偏绿
src_new = np.zeros((src.shape)).astype("uint8")
src_new[:,:,0] = B_new
src_new[:,:,1] = G
src_new[:,:,2] = Rplt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_ori[:, :, ::-1]), plt.title('Original')
plt.subplot(142), plt.imshow(src_gray, ), plt.title('GrayScale')
plt.subplot(143), plt.imshow(src_new[..., ::-1], ), plt.title('Gray To RGB')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

第6章 Python 数字图像处理(DIP) - 彩色图像处理2 - 灰度分层（灰度分割）和彩色编码，灰度值到彩色变换，Gray to RGB相关推荐

第6章 Python 数字图像处理(DIP) - 彩色图像处理3 -色彩变换、彩色校正、彩色图像平滑和锐化、HSI彩色空间中的分割、RGB空间中的分割、彩色边缘检测
这里写目录标题色彩变换彩色图像平滑和锐化使用彩色分割图像 HSI 彩色空间中的分割 RGB空间中的分割彩色边缘检测彩色图像中的噪声色彩变换 # 图像颜色分量的显示 from PIL imp ...
第1章 Python 数字图像处理(DIP) --绪论
Python 数字图像处理关于本专栏此专栏为 Python 数字图像处理(DIP)(冈萨雷斯版),专栏里文章的内容都是来自书里,全部手打,非OCR,因为很多公式,都是用LaTex输入,力求更好看的 ...
数字图像处理与Python实现笔记之彩色图像处理初步
数字图像处理与Python实现笔记之彩色图像处理初步摘要绪论 1 数字图像处理基础知识 2 彩色图像处理初步 2.1 彩色图像的颜色空间 2.1.1 RGB颜色空间 2.1.2 HSI颜色空间 2 ...
十二、数字图像处理之彩色图像处理
数字图像处理之彩色图像处理 (一)在MATLAB中彩色图像的表示 (1)RGB图像 (2)索引图像 (3)处理RGB图像和索引图像的函数 (二)彩色空间之间的转换 (1)NTSC彩色空间 (2)YCb ...
【图像处理】彩色图像处理（Color Image Processing）
实验要求 (1.a) 编写程序实现图6.23,程序的输入为图像中指定的两个灰度级范围.程序的输出为RGB 格式图像,其中,一个灰度级范围显示为指定的彩色,其余的像素以RGB 形式显示为与输入图像对 ...
图像处理之彩色图像处理
彩色图像处理技术可以分为两大类. ①伪彩色处理技术:将灰度图像处理技术转换为彩色图像以提高人们对图像内容的观察效率 ②真彩色处理技术:借助彩色图像,人们可以了解到场景更多的性质,并且可以对不同性质分别 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建1 - 高斯噪声
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法.一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等. 本章主要的噪声研究方法主要是加性噪声. 标题 ...
第4章 Python 数字图像处理(DIP) - 频率域滤波1 - 傅里叶级数和变换简史
本章主要讲解频域域滤波的技术,主要技术用到是大家熟悉的傅里叶变换与傅里叶反变换.这里有比较多的篇幅讲解的傅里叶的推导进程,用到Numpy傅里叶变换.本章理论基础比较多,需要更多的耐心来阅读,有发现有错 ...
第3章 Python 数字图像处理(DIP) - 灰度变换与空间滤波1 - 灰度变换和空间滤波基础、Sigmoid激活函数
这里写目录标题本节的目标背景灰度变换和空间滤波基础本节的目标了解空间域图像处理的意义,以及它与变换域图像处理的区别熟悉灰度变换所有的主要技术了解直方图的意义以及如何操作直方图来增强图像 ...

第6章 Python 数字图像处理(DIP) - 彩色图像处理2 - 灰度分层（灰度分割）和彩色编码，灰度值到彩色变换，Gray to RGB