点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

通过HSV色阶使用彩色图像可以分割来分割图像中的对象，但这并不是分割图像的唯一方法。为什么大多数人偏爱色度而不是RGB / HSV分割？

• 可以获得RGB / HSV通道之间的比率。

• 可以使用由辅助颜色和其他颜色的混合物组成的目标色块。

我们将色度分割定义为利用RG通道的色度空间从图像中提取目标的过程。后者构成了一个二维颜色表示，它忽略了与强度值相关的图像信息。我们通过观察不同颜色通道的比例来实现这一点，并使用标准化的RGB空间来映射它。因此，为了计算图像的RG色度，我们使用以下方程式：

我们主要只看r和g方程，因为从那里我们可以直观地计算b通道,让我们使用我们的老朋友Python将色度分割付诸实践。在继续执行之前，请安装以下库：

from skimage.io import imread, imshow
import matplotlib.pyplot as plt
import numpy as np

本文实践操作将使用此图像：

图像处理步骤：

步骤1：计算图像的RG色度

• 这是通过使用引言中定义的方程式完成的。

步骤2：计算颜色值的2D直方图（原始图像）

• 这是通过使R和色度值均变平并将其输入hist2d函数中来实现的。

• 通过这一点，可以注意到什么颜色或一组颜色构成了我们的图像。

步骤3：选择参考图片补丁

• 从感兴趣的对象生成补丁。在这种情况下，我们将草莓细分。因此，将要选择的补丁将是草莓的补丁。

步骤4：计算补丁的RG色度

• 重复步骤1，但在步骤3中使用图像补丁

步骤5：计算颜色值的2D直方图（色标）

• 重复步骤2，但在步骤3中使用图像

到目前为止，我们已经获得了相关图像的RG色度值。现在，我们进行下一步-参数分割。

第6步：参数细分

• 此步骤要求我们拟合高斯分布，该分布将确定属于感兴趣颜色的像素。在执行此操作之前，应从感兴趣的对象（参考补丁）计算平均值和标准偏差。然后将这些反馈给高斯分布函数。

步骤1-6的代码实现如下实现：

#image chromaticity valuesfruits_R = fruits[:,:,0]*1.0/fruits.sum(axis=2)fruits_G = fruits[:,:,1]*1.0/fruits.sum(axis=2)#patchpatch_strw = fruits[60:90,50:90,:]#patch chromaticity valuespatch_R = patch_strw[:,:,0]*1.0/patch_strw.sum(axis=2)patch_G = patch_strw[:,:,1]*1.0/patch_strw.sum(axis=2)#mean and stdev calculation of patch std_patch_R = np.std(patch_R.flatten())mean_patch_R = np.mean(patch_R.flatten())std_patch_G = np.std(patch_G.flatten())mean_patch_G = np.mean(patch_G.flatten())#gaussian functiondef gaussian(p,mean,std):return np.exp(-(p-mean)**2/(2*std**2))*(1/(std*((2*np.pi)**0.5)))x = np.linspace(0,1)y = gaussian(x,mean_patch_R,std_patch_R)#plottingfig, ax = plt.subplots(2, 3, figsize=(20, 7))ax[0,0].scatter(fruits_R.flatten(),fruits_G.flatten())ax[0,0].set_title('RG Chromaticity', size=14)ax[0,1].hist2d(fruits_R.flatten(), fruits_G.flatten(),   bins=100,cmap='binary');ax[0,1].set_title('Color Values 2D Histogram', size=14)ax[0,2].imshow(patch_strw)ax[0,2].set_title('Strawberry Patch', size=14)ax[1,0].scatter(patch_R.flatten(),patch_G.flatten())ax[1,0].set_title('Patch RG Chromaticity', size=14)ax[1,1].hist2d(patch_R.flatten(), patch_G.flatten(), bins=100,cmap='binary')ax[1,1].set_title('Patch Color Values 2D Histogram', size=14)ax[1,2].plot(x,y)ax[1,2].set_title('Gaussian Plot', size=14)fig.suptitle('Strawberry', size = 30)

综上所述，类似于彩色图像分割方法，存在一个任意确定的阈值。尝试并尝试使用这些值，然后选择将返回最理想输出的值。同样，在最终图中，尽管草莓被清楚地分割了，但仍然捕获了无关的信息。这是进行形态学操作以方便进一步清洁图像的地方，因此分割与以往一样准确。

— — 完 — —

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~