【计算机视觉处理4】色彩空间转换

1、图层操作

在第2篇中提到过，如果是二值图片（黑白图）或者灰度图片，一个像素需要一个8位二进制来表示。而对于彩色图像，一个像素则需要用3个8位二进制来表示。我们认为灰度图只有一个图层，而普通的彩色图像则有三个图层。

对于灰度图来说，像素强调的是白色的程度，当像素值为0时图像表现为黑色，当像素值为255时图像表现为白色。而处于中间的灰色，我们可以理解为“不够白”的颜色。

对于彩色图像，我们通常会用RGB三个颜色表示。它们分别是红、绿、蓝，我们可以通过三种颜色的调配展现出各种颜色。

那在OpenCV中要怎么操作图层呢？我们先打开一张彩色图片，查看它的通道数：

import cv2
# 读取图片
img = cv2.imread("xyql.jpg")
# 查看图片的形状
print(img.shape)

输出结果如下：

(1079, 1080, 3)

其中3就是图片的图层数。我们可以通过索引将三个通道分离出来：

import cv2
# 读取图片
img = cv2.imread('test.jpg')
# 切片提取B通道
b = img[:, :, 0]
# 切片提取G通道
g = img[:, :, 1]
# 切片提取R通道
r = img[:, :, 2]

因为在OpenCV中图片模式默认是BGR，因此我们分离的第0个通道是b，第一个和第二个分别是g和r。我们可以看看三个通道的图像：

上面分别是原始图片和BGR三个通道图片。因为拆分后的图片只有一个通道，所以显示效果都是黑白的。

可以看到原图的娜娜面色红润，所以R通道皮肤部分要比较亮（颜色偏白，像素值较高）。

除了自己索引，我们还可以调用OpenCV的内置方法分离通道，代码如下：

import cv2
# 读取图片
img = cv2.imread('test.jpg')
# 调用OpenCV内置方法进行分离通道
b, g, r = cv2.split(img)

在代码中我们调用了cv2.split()，如果我们的图片有三个通道我们需要用三个参数接收，如果有四个通道则需要用四个参数接收。

2、色彩空间

在此之前我们已经接触过击中色彩空间了，比如RGB和GRAY两种。除了RGB和GRAY外，还有XYZ、YCrCb、HSV等。不同的色彩空间删除处理不同的问题，有时候我们会将图片转换成指定的色彩空间以便进行相应的处理。

RGB（我们认为RGB和BGR是同种色彩空间）是一种方便计算机处理的色彩空间，它用三原色组成。但是对人来说RGB这种色彩空间是很难理解的，我们不会说黄色是红色+绿色，也不会说白色是红色+绿色+蓝色（对平常人来说）。

而HSV色彩空间是一种符合人类视觉感知的模型，这种色彩空间会用色调（Hue，也称为色相）、饱和度（Saturation）、亮度（Value）来表示像素。它们的解释分别如下：

摘自《OpenCV轻松入门：面向Python》，作者：李立宗。

● 色调：色调与混合光谱中的主要光波长相关，例如“赤橙黄绿青蓝紫”分别表示不同的色调。如果从波长的角度考虑，不同波长的光表现为不同的颜色，实际上它们体现的是色调的差异。

● 饱和度：指相对纯净度，或一种颜色混合白光的数量。纯谱色是全饱和的，像深红色（红加白）和淡紫色（紫加白）这样的彩色是欠饱和的，饱和度与所加白光的数量成反比。

● 亮度：反映的是人眼感受到的光的明暗程度，该指标与物体的反射度有关。对于色彩来讲，如果在其中掺入的白色越多，则其亮度越高；如果在其中掺入的黑色越多，则其亮度越低。

如果遇到需要调节饱和度的场景时，我们可以选择使用HSV色彩空间。

3、色彩空间的转换

色彩空间的转换有固定的公式，这些公式都非常简单，我们来简单看其中一个。RGB到YCrCb颜色空间的转换：

Y=0.299⋅R+0.587⋅G+0.114⋅BCr=（R−Y）×0.713+δCb=（B−Y）×0.564+δY = 0.299·R+0.587·G+0.114·B\\ Cr=（R-Y）×0.713+\delta\\ Cb=（B-Y）×0.564+\delta Y=0.299⋅R+0.587⋅G+0.114⋅BCr=（R−Y）×0.713+δCb=（B−Y）×0.564+δ

其中δ的值计算如下：

δ={128,8位图像32768,16位图像0.5,单精度图像\delta = \begin{cases} 128, 8位图像\\ 32768, 16位图像\\ 0.5, 单精度图像\\ \end{cases} δ=⎩⎪⎨⎪⎧128,8位图像32768,16位图像0.5,单精度图像

当然我们不需要自己计算，在OpenCV中提供了色彩空间转换的函数cv2.cvtColor()，函数格式如下：

dst = cv2.cvtColor(src, code)

该函数接收两个参数，分别时要转换的图片和转换的模式。最后函数会给我们返回转换后的结果，这里重点关注一下code参数。

code参数我们只需要添加OpenCV中的一些常量即可，这些常量很好理解：

因为图片比较长，这里只列出一部分。命名规则大都为COLOR_XX2YY，也就是函数就是将色彩空间为XX的图片转换为YY色彩空间。其中我们最常用的就是下面几个：

# 将BGR转换成GRAY（灰度图）
cv2.COLOR_BGR2GRAY
# 将BGR转换为RGB
cv2.COLOR_BGR2RGB
# 将BGR转换为HSV
cv2.COLOR_BGR2HSV
# 将BGR转换为BGRA（png图片）
cv2.COLOR_BGR2BGRA

下面我们来实际使用一下，我们先看一段简单的代码：

import cv2
import numpy as np
from PIL import Image
# 读取图片
img = Image.open('nn.jpg')
# 将图片对象转换成ndarray对象
img = np.array(img)
# 显示图片
cv2.imshow('img', img)
cv2.waitKey()
cv2.destroyAllWindows()

下面是原图和上面代码显示的图片：

在代码中我们使用PIL模块读取图片，因为PIL默认是以RGB模式读取，因此当我们直接将它转换为ndarray数组时，OpenCV把R和B通道颠倒了，因此图片颜色异常显示。

PIL模块的安装如下：

pip install pillow

其实我们可以简单分析一下，这次的娜娜依旧面色红润，因为右边的效果图颠倒了R和B通道，因此红色部分显示效果要接近蓝色，而蓝色的衣服效果却接近红色。

想要正常显示我们需要对颜色空间进行一些简单的转换：

import cv2
import numpy as np
from PIL import Image
img = Image.open('nn.jpg')
img = np.array(img)
# 将RGB图片转换成BGR
bgr = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
cv2.imshow('img', bgr)
cv2.waitKey()
cv2.destroyAllWindows()

你们可以自己尝试运行一下，显示效果会和原图一样。其它颜色空间的转换也是一样的，这里就不再一一演示了。

更多内容可以关注个人公众号“新建文件夹X”。