OpenCV最经典的3种颜色空间（cv2.cvtColor）及互相转换

1. 效果图
2. 原理
- 2.1 照明条件的重要性
- 2.2 OpenCV 中的3种颜色空间/模型
- 2.3 颜色空间的主要用途
3. 源码
参考

OpenCV中有超过150种颜色空间，这篇博客将介绍OpenCV中最经典的3种颜色空间（RGB、HSV、 L* a* b*）及其转换，并讨论光照条件、色彩空间在计算机视觉应用中的关键作用。

关键要点是在编写代码前始终考虑照明条件！一般来说，控制照明条件比编写代码来补偿在低质量下捕获的图像更容易。

RGB颜色空间是计算机视觉中最常见的颜色空间，简单但并不直观，因为很难肉眼准确确定某种颜色由多少红色、绿色和蓝色组成。呈现为立方体。
HSV 颜色空间很直观，它允许沿着圆柱体而不是 RGB 立方体定义颜色。 HSV 颜色空间还为亮度/白度提供了单独的维度，从而更容易定义颜色深浅。
RGB 和 HSV 都无法模仿人类感知颜色的方式，而 L* a* b* 色彩空间可以感知差异，并从欧几里得距离判断俩种颜色的相似性。

HSV和Lab*颜色空间数值都重新缩放了以适合纸质印刷的动态范围。

1. 效果图

RGB原图 VS 各通道效果图如下：

HSV原图 VS 各通道效果图如下：

Value 图本质上是一个灰度图像——这是因为该值控制着颜色的实际亮度，而 Hue 和 Saturation 定义了实际的颜色和阴影。

L * a * b * VS 各通道效果图如下：

与HSV示例类似，L通道专门用于显示给定像素的亮度。 a通道和b通道确定了像素的阴影和颜色。

2. 原理

2.1 照明条件的重要性

照明可能意味着计算机视觉算法成功与失败之间的区别。事实上，光照甚至可能是最重要的因素。

在编写代码之前，尽可能地获得理想的照明条件。控制照明条件比编写代码来补偿较低的照明条件更容易。

处理光照条件时应寻求实现的三个目标：

高对比度（应该寻求最大化图像中感兴趣区域之间的对比度（即想要检测、提取、描述、分类、操作等的“对象”与图像的其余部分具有足够高的对比度，尽量确保环境的背景和前景之间有高对比度）；
可推广的（照明条件应该足够一致，以便扩展）；
稳定的（具有稳定、一致、可重复的光照条件是计算机视觉应用开发的圣杯。）

2.2 OpenCV 中的3种颜色空间/模型

颜色模型是在颜色空间中用数字表示颜色的一种抽象方法。

RGB 代表图像中的红、绿、蓝分量，通常被视为立方体。

RGB颜色空间是加法颜色空间的一个示例：添加的颜色越多，像素越亮，越接近白色；

[0,255]共256个值；红色+绿色=黄色。红色+蓝色=粉红色。红+绿+蓝=白色。
R=252, G=198, B=188 = 白色人种肤色。
R=22，G=159，B=230=蓝色徽标。

HSV 颜色空间将其重塑为圆柱体而不是立方体，亮度是一个单独的维度

Hue：色调，正在检查哪种“纯”颜色。例如“红色”颜色的所有阴影和色调都将具有相同的色调。 [0, 179]

Saturation：饱和度，颜色有多“白”。完全饱和的颜色将是“纯色”，如“纯红色”。零饱和度的颜色将是纯白色。 [0, 255]

Value：值允许控制颜色的亮度。值为零表示纯黑色，而增加值会产生较浅的颜色。 [0, 255]

在RGB 和 HSV 颜色空间中，欧几里得距离无法“测量”各种颜色之间颜色的感知差异。 而Lab 颜色空间可以模仿人类观察和解释颜色的方法。 Lab 是一个3轴系统，它使得两种任意颜色之间的欧几里德距离具有实际的感知意义。**

L-通道：像素的“亮度”。该值在垂直轴上上下变化，从白色到黑色，在轴的中心为中性灰色。

a-通道：源自 L 通道的中心，在光谱的一端定义纯绿色，在另一端定义纯红色。

b 通道：源自 L 通道的中心，但垂直于 a 通道。 b 通道在光谱中一端定义纯蓝色，另一端定义纯黄色。同样，虽然 Lab* 颜色空间不如 HSV 和 RGB 颜色空间直观且不易理解，但它在计算机视觉中得到了大量使用。
这是由于颜色之间的距离具有实际的感知意义，使我们能够克服各种光照条件问题。它还用作强大的彩色图像描述符。

2.3 颜色空间的主要用途

RGB：足够简单，主要用于在显示器上显示颜色；
HSV：当有兴趣根据颜色跟踪图像中的对象时，使用 HSV 定义颜色范围非常容易。
Lab：提供了感知均匀性，可以模仿人类观察和解释颜色的方法，使得两种任意颜色之间的距离具有实际意义。 当关心跨多个设备的色彩管理、色彩传输或色彩一致性时，L * a * b色彩空间可以提供出色的彩色图像描述符。
灰度：不是颜色空间，但在颜色无关紧要的应用中，例如在检测人脸或构建对象分类器时，忽略颜色使用图像的灰度表示——这能够节省内存并提高计算效率。

3. 源码

可以看到Opencv中共有274种颜色空间；

# 加载图像，并演示如何使用RGB、HSV和L*a*b*颜色空间。
# USAGE
# python color_spaces.py# 导入必要的包
import argparse
import cv2
import imutils# 遍历查看所有颜色空间值
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print(flags)
print(len(flags))# 构建命令行参水及解析
# --image 输入图像路径
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, default="ml3.jpg",help="path to input image")
args = vars(ap.parse_args())# 加载图像并展示
image = cv2.imread(args["image"])
image = imutils.resize(image, width=200)
cv2.imshow("RGB", image)# 遍历每一个单独的通道并展示
# RGB 是最常用的色彩空间，但它并不是最直观的色彩空间。
# 颜色的“白色”或“亮度”是每个红色、绿色和蓝色分量的加法组合。
for (name, chan) in zip(("B", "G", "R"), cv2.split(image)):cv2.imshow(name, chan)# 等待按键，关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()# HSV 颜色空间转换 RGB 颜色空间，将其重塑为圆柱体而不是立方体，亮度是一个单独的维度
# - Hue：色调，正在检查哪种“纯”颜色。例如“红色”颜色的所有阴影和色调都将具有相同的色调。 [0, 179]
# - Saturation：饱和度，颜色有多“白”。完全饱和的颜色将是“纯色”，如“纯红色”。零饱和度的颜色将是纯白色。 [0, 255]
# - Value：值允许控制颜色的亮度。值为零表示纯黑色，而增加值会产生较浅的颜色。 [0, 255]
# 转换图像为HSV颜色空间并展示
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2.imshow("HSV", hsv)# 遍历每一个单独的H、S、V通道并展示
for (name, chan) in zip(("H", "S", "V"), cv2.split(hsv)):cv2.imshow(name, chan)# 按键关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()# L * a * b颜色空间
# 计算红色和绿色之间的欧几里德距离；红色和紫色；以及 RGB 颜色空间中的红色和海军蓝：
import mathred_green = math.sqrt(((255 - 0) ** 2) + ((0 - 255) ** 2) + ((0 - 0) ** 2))
red_purple = math.sqrt(((255 - 128) ** 2) + ((0 - 0) ** 2) + ((0 - 128) ** 2))
red_navy = math.sqrt(((255 - 0) ** 2) + ((0 - 0) ** 2) + ((0 - 128) ** 2))
print(red_green, red_purple, red_navy)# 在RGB、HSV颜色空间计算欧几里得距离，并不能得出红色在某种意义上更类似于紫色而不是绿色？，
# 欧几里得距离无法“测量”各种颜色之间颜色的感知差异在 RGB 和 HSV 颜色空间中。
# 这就是 L*a*b* 颜色空间的用武之地——它的目标是模仿人类观察和解释颜色的方法。
# L*a*b* 颜色空间中两种任意颜色之间的欧几里德距离具有实际的感知意义。
# 感知意义的加入使得 L*a*b* 颜色空间不如 RGB 和 HSV 那样直观和理解，但它在计算机视觉中被大量使用。本质上，L*a*b* 颜色空间是一个 3 轴系统：# - L-通道：像素的“亮度”。该值在垂直轴上上下变化，从白色到黑色，在轴的中心为中性灰色。
# - a-通道：源自 L 通道的中心，在光谱的一端定义纯绿色，在另一端定义纯红色。
# - b 通道：也源自 L 通道的中心，但垂直于 a 通道。 b 通道在光谱中一端定义纯蓝色，另一端定义纯黄色。
# 同样，虽然 L*a*b* 颜色空间不如 HSV 和 RGB 颜色空间直观且不易理解，但它在计算机视觉中得到了大量使用。
# 这是由于颜色之间的距离具有实际的感知意义，使我们能够克服各种光照条件问题。它还用作强大的彩色图像描述符。
# 转换图像为L*a*b空间并展示
lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
cv2.imshow("L*a*b*", lab)
# 遍历每个通道并展示
for (name, chan) in zip(("L*", "a*", "b*"), cv2.split(lab)):cv2.imshow(name, chan)# 等待按键，关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()# 展示灰度图，灰度图并不是一种颜色空间
# 鉴于眼睛对色彩的敏感程度，眼睛的受体和锥体不同，因此比蓝色更能感知绿色和红色。感知绿色的量是红色的近2被，感知红色的量是蓝色的俩倍多，
# 因此在转换为灰度时，每个 RGB 通道的权重不均匀，
# Y = 0.299 \times R + 0.587 \times G + 0.114 \times B
# 当颜色无关紧要时，通常使用图像的灰度表示（例如在检测人脸或构建对象分类器时，对象的颜色无关紧要）。因此丢弃颜色能够节省内存并提高计算效率。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Original", image)
cv2.imshow("Grayscale", gray)
cv2.waitKey(0)

参考

https://www.pyimagesearch.com/2021/04/28/opencv-color-spaces-cv2-cvtcolor/
https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_colorspaces/py_colorspaces.html#converting-colorspaces