一、彩色图像基础

为什么要研究彩色图像处理？

符合人类视觉特点：人类可以辨别几千种颜色色调和亮度；只能辨别几十种灰度层次。
有用的描绘子：简化目标物的区分；目标识别，根据目标的颜色特征。

彩色图像处理可分为：

全彩色处理：数码相机，数码摄像机，彩色扫描仪。
伪彩色处理：对不同的灰度或灰度范围赋予不同的颜色。

当一束白光通过一个玻璃棱镜时，出现的光束不是白光，而是由一端为紫色到另一端为红色的连续彩色谱组成。

光特性是颜色科学的核心。

描述彩色光的3个基本量：

辐射率：从光源流出能量的总量，用瓦特(W) 度量
光强：观察者从光源接收的能量总和
亮度：主观描绘子

三原色 ：红色（Red）、绿色（Green）、蓝色（Blue）

二、彩色空间（也称彩色模型或彩色系统）

色彩模式

RGB

CCD技术直接感知R,G,B三个分量
是图像成像、显示、打印等设备的基础

CMY(青、深红、黄)、CMYK (青、深红、黄、黑）

运用在大多数在纸上沉积彩色颜料的设备，如彩色打印机和复印机。

CMYK

打印中的主要颜色是黑色
等量的CMY原色产生黑色，但不纯
在CMY基础上，加入黑色，形成CMYK彩色空间

HSI(色调、饱和度、亮度）

两个特点：

分量与图像的彩色信息无关
H和S分量与人感受颜色的方式是紧密相连的

将亮度(I)与色调（H）和饱和度（S）分开；
避免颜色受到光照明暗(I)等条件的干扰；
仅仅分析反映色彩本质的色调和饱和度；
广泛用于计算机视觉、图像检索和视频检索。

YIQ

Y指亮度(Brightness),即灰度值
I和Q指色调，描述色彩及饱和度
用于彩色电视广播，被北美的电视系统所采用（属于NTSC系统）
Y分量可提供黑白电视机的所有影像信息

YUV

Y指亮度,与YIQ的Y相同
U和V也指色调，不同于YIQ的I和Q
用于彩色电视广播，被欧洲的电视系统所采用（属于PAL系统）
Y分量也可提供黑白电视机的所有影像信息

YCbCr

Y指亮度,与YIQ和YUV的Y相同
Cb和Cr由U和V调整得到
JPEG采用的彩色空间

彩色空间转换

伪彩色图像处理

伪彩色图像处理，也叫假彩色图像处理，根据一定的准则对灰度值赋以彩色的处理。

区分：伪彩色图像、真彩色图像、单色图像

为什么需要伪彩色图像处理?人类可以辨别上千种颜色和强度，但只能辨别二十几种灰度。

应用：为人们观察和解释图像中的灰度目标。

怎样进行伪彩色图像处理？强度分层技术；灰度级到彩色转换技术。

强度分层技术

把一幅图像描述为三维函数（x,y,f(x,y)）

分层技术：放置平行于(x,y)坐标面的平面

每一个平面在相交区域切割图像函数

令[0,L-1]表示灰度级，使l0代表黑色（f(x,y)=0）, lL-1代表白色(f(x,y)=L-1)。假设垂直于强度轴的P 个平面定义为量级l1,l2,…,lP。0<P<L-1，P个平面将灰度级分为P+1个间隔，V1,V2,…,VP+1，则灰度级到彩色的赋值关系:

c_k是与强度间隔 V_k第k级强度有关的颜色，Vk 是由在l=k-1和l=k分割平面定义的。

灰度级到彩色的转换

对任何输入像素的灰度级执行3个独立变换
3个变换结果分别送入彩色监视器的红、绿、蓝三个通道
产生一幅合成图像

全彩色图像处理基础

全彩色图像处理研究分为两大类：

分别处理每一分量图像，然后，合成彩色图像
直接对彩色像素处理：3个颜色分量表示像素向量。令c代表RGB彩色空间中的任意向量

对大小为 M * N 的图像

彩色变换

彩色变换函数

补色

补色：在如图所示的彩色环上，与一种色调直接相对立的另一种色调称为补色。

作用：增强嵌在彩色图像暗区的细节。

彩色图像平滑

令Sxy表示在RGB彩色图像中定义一个中心在(x,y) 的邻域的坐标集，在该邻域中RGB分量的平均值为

彩色图像尖锐化（拉普拉斯微分）

RGB彩色空间，分别计算每一分量图像的拉普拉斯变换

彩色分割（把一幅图像分成区域）

HSI彩色空间分割——直观

H色调图像方便描述彩色
S饱和度图像做模板分离感兴趣的特征区
强度图像不携带彩色信息

RGB彩色空间——直接

RGB彩色空间分割

令z代表RGB空间中的任意一点，a是分割颜色样本集的平均颜色向量

三、python实现5种彩色空间的转换

具体而言，包括：

1）RGB → CMY；
2) CMY → RGB；
3) RGB → HSI；
4) HSI → RGB；
5) RGB → YIQ；
6) YIQ → RGB；
7) RGB → YUV；
8) YUV → RGB；
9) RGB → YCbCr；
10) YCbCr → RGB；

1 RGB → CMY

转换公式

代码

'''-----------------RGB → CMY------------------------'''
import cv2
import imutilsdef rgb_cmy(img):r, g, b = cv2.split(img)  # split the channels# normalization [0,1]r = r / 255.0g = g / 255.0b = b / 255.0c = 1 - rm = 1 - gy = 1 - bresult = cv2.merge((c, m, y))  # merge the channelsreturn resultif __name__ == '__main__':img = cv2.imread("E:/1.PNG")img_CMY = rgb_cmy(img)img_NEW = img_CMY * 255cv2.imwrite('F:/img_CMY.PNG', img_NEW)cv2.imshow("CMY image", imutils.resize(img_CMY, 666))cv2.imshow("original image", imutils.resize(img, 666))cv2.waitKey(0)cv2.destroyAllWindows()

效果

2 CMY → RGB

公式

代码

'''-----------------CMY → RGB------------------------'''
import cv2
import imutilsdef cmy_rgb(img):c, m, y = cv2.split(img)  # split the channels# normalization[0,1]c = c / 255.0m = m / 255.0y = y / 255.0r = 1 - cg = 1 - mb = 1 - yresult = cv2.merge((r, g, b))  # merge the channelsprint(result)return resultif __name__ == '__main__':img = cv2.imread("F:/img_CMY.PNG")img_CMY = cmy_rgb(img)cv2.imshow("RGB image", imutils.resize(img_CMY, 666))cv2.imshow("original image", imutils.resize(img, 666))cv2.waitKey(0)cv2.destroyAllWindows()

效果

3 RGB → HSI

公式

代码

'''-----------------RGB → HSI------------------------'''
import cv2
import math
import imutils
import numpy as npdef rgb_hsi(rgb_Img):img_rows = int(rgb_Img.shape[0])img_cols = int(rgb_Img.shape[1])b, g, r = cv2.split(rgb_Img)# normalization[0,1]r = r / 255.0g = g / 255.0b = b / 255.0hsi_Img = rgb_Img.copy()H, S, I = cv2.split(hsi_Img)for i in range(img_rows):for j in range(img_cols):num = 0.5 * ((r[i, j]-g[i, j])+(r[i, j]-b[i, j]))den = np.sqrt((r[i, j]-g[i, j])**2+(r[i, j]-b[i, j])*(g[i, j]-b[i, j]))theta = float(np.arccos(num/den))if den == 0:H = 0elif b[i, j] <= g[i, j]:H = thetaelse:H = math.pi - thetamin_RGB = min(min(b[i, j], g[i, j]), r[i, j])sum = b[i, j]+g[i, j]+r[i, j]if sum == 0:S = 0else:S = 1 - 3*min_RGB/sumH = H/(math.pi)I = sum/3.0# 输出HSI图像，扩充到255以方便显示，一般H分量在[0,2pi]之间，S和I在[0,1]之间hsi_Img[i, j, 0] = H*255hsi_Img[i, j, 1] = S*255hsi_Img[i, j, 2] = I*255return hsi_Imgif __name__ == '__main__':rgb_Img = cv2.imread("E:/1.PNG")hsi_Img = rgb_hsi(rgb_Img)cv2.imwrite('F:/img_HSI.PNG', hsi_Img)cv2.imshow('original image', imutils.resize(rgb_Img, 600))cv2.imshow('HSI image', imutils.resize(hsi_Img, 600))key = cv2.waitKey(0) & 0xFFif key == ord('q'):cv2.destroyAllWindows()

效果

4 HSI → RGB

公式

代码

'''-----------------HSI → RGB------------------------'''
import cv2
import math
import imutilsdef hsi_rgb(hsi_img):img_rows = int(hsi_img.shape[0])img_cols = int(hsi_img.shape[1])H, S, I = cv2.split(hsi_img)# normalization[0,1]H = H / 255.0S = S / 255.0I = I / 255.0bgr_img = hsi_img.copy()B, G, R = cv2.split(bgr_img)for i in range(img_rows):for j in range(img_cols):if S[i, j] < 1e-6:R = I[i, j]G = I[i, j]B = I[i, j]else:H[i, j] *= 360if H[i, j] > 0 and H[i, j] <= 120:B = I[i, j] * (1 - S[i, j])R = I[i, j] * (1 + (S[i, j] * math.cos(H[i, j] * math.pi / 180)) / math.cos((60 - H[i, j]) * math.pi / 180))G = 3 * I[i, j] - (R + B)elif H[i, j] > 120 and H[i, j] <= 240:H[i, j] = H[i, j] - 120R = I[i, j] * (1 - S[i, j])G = I[i, j] * (1 + (S[i, j] * math.cos(H[i, j] * math.pi / 180)) / math.cos((60 - H[i, j]) * math.pi / 180))B = 3 * I[i, j] - (R + G)elif H[i, j] > 240 and H[i, j] <= 360:H[i, j] = H[i, j] - 240G = I[i, j] * (1 - S[i, j])B = I[i, j] * (1 + (S[i, j] * math.cos(H[i, j] * math.pi / 180)) / math.cos((60 - H[i, j]) * math.pi / 180))R = 3 * I[i, j] - (G + B)bgr_img[i, j, 0] = B * 255bgr_img[i, j, 1] = G * 255bgr_img[i, j, 2] = R * 255return bgr_imgif __name__ == '__main__':hsi_Img = cv2.imread("F:/img_HSI.PNG")rgb_Img = hsi_rgb(hsi_Img)cv2.imshow('original image', imutils.resize(rgb_Img, 600))cv2.imshow('RGB image', imutils.resize(hsi_Img, 600))key = cv2.waitKey(0) & 0xFFif key == ord('q'):cv2.destroyAllWindows()

效果

5 RGB → YIQ

公式

python代码

'''-----------------RGB → YIQ------------------------'''
import cv2
import imutils
import numpy as npdef rgb_yiq(rgb_Img):img_rows = int(rgb_Img.shape[0])img_cols = int(rgb_Img.shape[1])yiq_image = rgb_Img.copy()R, G, B = cv2.split(yiq_image)for x in range(img_rows):for y in range(img_cols):right_matrix = np.array([[R[x,y]],[G[x,y]],[B[x,y]]])left_matrix = np.array([[0.299,0.587,0.114],[0.596,-0.275,-0.321],[0.212,-0.528,0.311]])matrix = np.dot(left_matrix,right_matrix)r = matrix[0][0]g = matrix[1][0]b = matrix[2][0]yiq_image[x, y] = (r, g, b)return yiq_imageif __name__ == '__main__':rgb_Img = cv2.imread("E:/1.PNG")yiq_Img = rgb_yiq(rgb_Img)cv2.imshow('original image', imutils.resize(rgb_Img, 600))cv2.imshow('YIQ image', imutils.resize(yiq_Img, 600))cv2.imwrite('F:/img_YIQ1.PNG', yiq_Img)key = cv2.waitKey(0) & 0xFFif key == ord('q'):cv2.destroyAllWindows()

matlab代码

% 清变量，关闭窗口
clear;
close all;
% 文件读取
img=imread('E:/1.PNG'); %获得256*256*3数组
imshow(img);title('原始RGB图像');rgb=im2double(img); %将原图像转换到[0,1]空间
% figure;     %与原图像相同
% imshow(rgb);
r=rgb(:,:,1);
g=rgb(:,:,2);
b=rgb(:,:,3)% rgb模型到yiq模型
y=0.299*r+0.587*g+0.114*b;
i=0.596*r-0.274*g-0.322*b;
q=0.211*r-0.523*g+0.312*b;
img_YIQ=cat(3,y,i,q);
figure;
imshow(img_YIQ);title('RGB2YIQ图像');

效果

6 YIQ → RGB

公式

python代码

'''-----------------YIQ → RGB------------------------'''
import cv2
import imutils
import numpy as npdef yiq_rgb(yiq_Img):img_rows = int(yiq_Img.shape[0])img_cols = int(yiq_Img.shape[1])rgb_image = yiq_Img.copy()Y, I, Q = cv2.split(rgb_image)for x in range(img_rows):for y in range(img_cols):right_matrix = np.array([[Y[x,y]],[I[x,y]],[Q[x,y]]])left_matrix = np.array([[1,0.956,0.620],[1,-0.272,-0.647],[1,-1.108,1.705]])matrix = np.dot(left_matrix,right_matrix)r = matrix[0][0]g = matrix[1][0]b = matrix[2][0]rgb_image[x, y] = (r, g, b)return rgb_imageif __name__ == '__main__':yiq_Img = cv2.imread("F:/img_YIQ1.PNG")rgb_Img = yiq_rgb(yiq_Img)cv2.imshow('original image', imutils.resize(yiq_Img, 600))cv2.imshow('RGB image', imutils.resize(rgb_Img, 600))key = cv2.waitKey(0) & 0xFFif key == ord('q'):cv2.destroyAllWindows()

matlab代码

% 清变量，关闭窗口
clear;
close all;
% 文件读取
img=imread('F:\img_YIQ.PNG'); %获得256*256*3数组
imshow(img);title('原始YIQ图像');yiq=im2double(img); %将原图像转换到[0,1]空间
% figure;     %与原图像相同
% imshow(rgb);
y=yiq(:,:,1);
i=yiq(:,:,2);
q=yiq(:,:,3)% rgb模型到yiq模型
r=1*y+0.956*i+0.620*q;
g=1*y-0.272*i-0.674*q;
b=1*y-1.108*i+1.705*q;img_YIQ=cat(3,r,g,b);
figure;
imshow(img_YIQ);title('YIQ2RGB图像');

效果

7 RGB → YUV

公式

代码

'''-----------------RGB → YUV------------------------'''
import numpy as np
import cv2 as cv
import imutilsdef rgb_yuv(rgb_img):W = np.array([[0.299, 0.587, 0.114],[-0.148, -0.289, 0.437],[0.615, -0.515, -0.100]])rgb_Img = rgb_img.copy()rgb_Img = rgb_Img.astype(np.float)h, w, c = rgb_Img.shapefor i in range(h):for j in range(w):rgb_Img[i, j] = np.dot(W, rgb_Img[i, j])imc = rgb_Img.astype(np.uint8)return imcif __name__ == '__main__':img_rgb = cv.imread('E:/1.PNG')img_yuv1 = cv.cvtColor(img_rgb, cv.COLOR_RGB2YUV)img_yuv2 = rgb_yuv(img_rgb)cv.imwrite('F:/img_YUV.PNG', img_yuv1)# cv.imwrite('F:/img_YUV_self.PNG', img_yuv2)cv.imshow('original image', imutils.resize(img_rgb, 600))cv.imshow('OpenCV_YUV image', imutils.resize(img_yuv1, 600))cv.imshow('Self_YUV image', imutils.resize(img_yuv2, 600))cv.waitKey(0)

效果

8 YUV → RGB

公式

代码

'''-----------------YUV → RGB------------------------'''
import numpy as np
import cv2 as cv
import imutilsdef yuv_rgb(yuv_img):W = np.array([[1, 0., 1.13983],[1, -0.39465, -0.58060],[1, 2.03211, 0.]])rgb_img = yuv_img.copy()rgb_img = yuv_img.astype(np.float)h, w, c = rgb_img.shapefor i in range(h):for j in range(w):rgb_img[i, j][0] -= 16  # Yrgb_img[i, j][1] -= 128  # Urgb_img[i, j][2] -= 128  # Vrgb_img[i, j] = np.matmul(W, rgb_img[i, j])imc = rgb_img.astype(np.uint8)return imcif __name__ == '__main__':img_rgb = cv.imread('F:/img_YUV.PNG')img_yuv1 = yuv_rgb(img_rgb)img_yuv2 = cv.cvtColor(img_rgb, cv.COLOR_YUV2RGB)cv.imshow('original image', imutils.resize(img_rgb, 600))cv.imshow('OpenCV_RGB image', imutils.resize(img_yuv2, 600))cv.imshow('Self_RGB image', imutils.resize(img_yuv1, 600))cv.waitKey(0)

效果

9 RGB → YCbCr

公式

代码

'''-----------------RGB → YCbCr------------------------'''
import numpy as np
import cv2 as cv
import imutilsdef rgb2ycbcr(rgb_image):"""convert rgb into ycbcr"""if len(rgb_image.shape)!=3 or rgb_image.shape[2]!=3:raise ValueError("input image is not a rgb image")rgb_image = rgb_image.astype(np.float32)# 1：创建变换矩阵，和偏移量transform_matrix = np.array([[0.257, 0.564, 0.098],[-0.148, -0.291, 0.439],[0.439, -0.368, -0.071]])shift_matrix = np.array([16, 128, 128])ycbcr_image = np.zeros(shape=rgb_image.shape)w, h, _ = rgb_image.shape# 2：遍历每个像素点的三个通道进行变换for i in range(w):for j in range(h):ycbcr_image[i, j, :] = np.dot(transform_matrix, rgb_image[i, j, :]) + shift_matrixreturn ycbcr_imageif __name__ == '__main__':img_rgb = cv.imread('E:/1.PNG')img_ycbcr = rgb2ycbcr(img_rgb)img_NEW = img_ycbcr / 255cv.imwrite('F:/img_YCbCr.PNG', img_ycbcr)cv.imshow('original image', imutils.resize(img_rgb, 600))cv.imshow('Self_YCbCr image', imutils.resize(img_NEW, 600))cv.waitKey(0)

效果

10 YCbCr → RGB

公式

代码

'''-----------------YCbCr → RGB------------------------'''
import numpy as np
import cv2 as cv
import imutilsdef ycbcr2rgb(ycbcr_image):"""convert ycbcr into rgb"""if len(ycbcr_image.shape)!=3 or ycbcr_image.shape[2]!=3:raise ValueError("input image is not a rgb image")ycbcr_image = ycbcr_image.astype(np.float32)transform_matrix = np.array([[0.257, 0.564, 0.098],[-0.148, -0.291, 0.439],[0.439, -0.368, -0.071]])transform_matrix_inv = np.linalg.inv(transform_matrix)shift_matrix = np.array([16, 128, 128])rgb_image = np.zeros(shape=ycbcr_image.shape)w, h, _ = ycbcr_image.shapefor i in range(w):for j in range(h):rgb_image[i, j, :] = np.dot(transform_matrix_inv, ycbcr_image[i, j, :]) - np.dot(transform_matrix_inv, shift_matrix)return rgb_image.astype(np.uint8)if __name__ == '__main__':img_ycbcr = cv.imread('F:/img_YCbCr.PNG')img_rgb = ycbcr2rgb(img_ycbcr)img_NEW = img_rgb / 255cv.imshow('original image', imutils.resize(img_ycbcr, 600))cv.imshow('Self_RGB image', imutils.resize(img_NEW, 600))cv.waitKey(0)

效果

11 扩展1——多图处理

代码

'''-----------------RGB → CMY------------------------'''
import cv2
import imutilsdef rgb_cmy(img):r, g, b = cv2.split(img)  # split the channels# normalization [0,1]r = r / 255.0g = g / 255.0b = b / 255.0c = 1 - rm = 1 - gy = 1 - bresult = cv2.merge((c, m, y))  # merge the channelsreturn resultif __name__ == '__main__':for i in range(3):img = cv2.imread("F:/{}.PNG".format(i))img_CMY = rgb_cmy(img)img_NEW = img_CMY * 255cv2.imwrite('F:/img_CMY.PNG', img_NEW)cv2.imshow("CMY image{}".format(i), imutils.resize(img_CMY, 666))cv2.imshow("original image{}".format(i), imutils.resize(img, 666))cv2.waitKey(0)cv2.destroyAllWindows()

效果

12 扩展2——视频处理

爬取视频

import requests
import json
import redef change_title(title):# 替换非法字符pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")new_title = re.sub(pattern, "_", title)return new_title# 示例爬取3页数据
for page in range(1, 4):print('---------------正在爬取第{}页小姐姐视频-------------------'.format(page))# 获取 URL 地址url = 'https://v.6.cn/minivideo/getlist.php?act=recommend&page={}&pagesize=20'.format(page)# headers 参数确定headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36'}# 模拟浏览器发送 URL 地址请求response = requests.get(url, headers=headers)# 去除 response 响应对象中的文本数据response_data = response.text# print(response_data)# 转换数据类型dict_data = json.loads(response_data)    # 字典# print(dict_data)# 数据解析data_list = dict_data['content']['list']   # 列表# print(data_list)# 遍历for data in data_list:# print(data)video_title = data['title']      # 视频文件名video_alias = data['alias']       # 视频作者名video_playurl = data['playurl']   # 视频 url# print('视频:', video_title, '作者:', video_alias, 'url地址:', video_playurl)print('正在下载视频：', video_title)new_title = change_title(video_title)# 发送视频 URL 请求video = requests.get(video_playurl, headers=headers).content# 保存数据with open(r'F:\Beautiful Girl Video\\' + new_title + '_' + video_alias + '.mp4', 'wb') as video_file:video_file.write(video)print('视频下载成功…… \n')print('---------------第{}页小姐姐视频爬取完毕-------------------'.format(page))

颜色模式转换

'''-----------------RGB → CMY------------------------'''
import cv2def rgb_cmy(video):while True:ret, frame=video.read()if not ret:breakelse:r, g, b = cv2.split(frame)  # split the channels# normalization [0,1]r = r / 255.0g = g / 255.0b = b / 255.0c = 1 - rm = 1 - gy = 1 - bresult = cv2.merge((c, m, y))  # merge the channelscv2.imshow('original video',frame)cv2.imshow('CMY video',result)cv2.waitKey(ret)if __name__ == '__main__':img = cv2.VideoCapture(r"F:\Beautiful Girl Video\video.mp4")img_CMY = rgb_cmy(img)

效果

参考博客

数字图像处理学习笔记（十六）——彩色图像处理_闭关修炼——暂退的博客-CSDN博客_强度分层技术

Python实现数字图像处理之5种彩色空间转换（单图+多图+视频）_闭关修炼——暂退的博客-CSDN博客

版权声明：本文为CSDN博主「闭关修炼——暂退」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/IT_charge/article/details/106469458

彩色图像处理彩色空间转换及代码实现相关推荐

matlab转换hsl,RGB空间与HSL空间转换matlab代码
关于RGB与HSL空间之间转换的原理,在网上很多,也很详细,这里就不做介绍了. 直接给出MATLAB代码. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % RGB空间转换到H ...
Python实现数字图像处理之5种彩色空间转换（单图+多图+视频）
本文主要运用用Python代码实现了5种彩色空间之间的转换! 具体而言,包括: 1)RGB → CMY: 2) CMY → RGB: 3) RGB → HSI: 4) HSI → RGB: 5) ...
实验一：彩色空间转换(YUV2RGB)
实验一:彩色空间转换 #ifndef/#define/#endif 使用详解:http://blog.csdn.net/abc5382334/article/details/18052757 Debu ...
数字图像处理——第六章彩色图像处理
数字图像处理--第六章彩色图像处理文章目录数字图像处理--第六章彩色图像处理 1 彩色模型 1.1 RGB彩色模型 1.2 CMY 和CMYK彩色模型 1.3 HSI彩色模型 2 伪彩色图像处 ...
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 ...
【图像处理】MATLAB：彩色图像处理
彩色图像处理基础将彩色图像处理细分为三个主要类别:(1)颜色变换即彩色映射:(2)单独彩色平面的空间处理:(3)颜色向量处理.第一类处理每个彩色平面的像素,该处理严格地以像素值为基础,而不是以它 ...
第五章彩色图像处理
第五章彩色图像处理 MATLAB中彩色图像的表示 RGB图像索引图像处理RGB和索引图像的函数彩色空间转换 NTSC彩色空间 YCbCr彩色空间 CMY和CMYK彩色空间 HSI彩色空间与设 ...
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 ...
数字图像处理第六章——彩色图像处理（上）
数字图像处理第六章数字图像处理---彩色图像处理 (一) 在 MATLAB 中彩色图像的表示 1.1 RGB图像 1.2 索引图像 1.3 处理 RGB图像和索引 (二)彩色空间之间的转换 2.1 ...

彩色图像处理彩色空间转换及代码实现

一、彩色图像基础

二、彩色空间（也称彩色模型或彩色系统）

色彩模式

彩色空间转换

伪彩色图像处理

强度分层技术

灰度级到彩色的转换

全彩色图像处理基础

彩色变换

彩色图像平滑

彩色图像尖锐化（拉普拉斯微分）

彩色分割（把一幅图像分成区域）

RGB彩色空间分割

三、python实现5种彩色空间的转换

1 RGB → CMY

2 CMY → RGB

3 RGB → HSI

4 HSI → RGB

5 RGB → YIQ

6 YIQ → RGB

7 RGB → YUV

8 YUV → RGB

9 RGB → YCbCr

10 YCbCr → RGB

11 扩展1——多图处理

12 扩展2——视频处理

参考博客

彩色图像处理彩色空间转换及代码实现相关推荐

最新文章

热门文章

彩色图像处理 彩色空间转换及代码实现

一、彩色图像基础

二、彩色空间（也称彩色模型或彩色系统）

色彩模式

彩色空间转换

伪彩色图像处理

强度分层技术

灰度级到彩色的转换

全彩色图像处理基础

彩色变换

彩色图像平滑

彩色图像尖锐化（拉普拉斯微分）

彩色分割（把一幅图像分成区域）

RGB彩色空间分割

三、python实现5种彩色空间的转换

1 RGB → CMY

2 CMY → RGB

3 RGB → HSI

4 HSI → RGB

5 RGB → YIQ

6 YIQ → RGB

7 RGB → YUV

8 YUV → RGB

9 RGB → YCbCr

10 YCbCr → RGB

11 扩展1——多图处理

12 扩展2——视频处理

参考博客

彩色图像处理 彩色空间转换及代码实现相关推荐

最新文章

热门文章

彩色图像处理彩色空间转换及代码实现

彩色图像处理彩色空间转换及代码实现相关推荐