---

前言

• 通过今天的学习，我掌握了OpenCV中有关图像颜色转换，灰度化，二值化的基本原理和操作方式

---

一、图像颜色转换

• 我们常见的单张图像，不仅可以用 RGB 颜色空间来描述其色彩信息 ，还可以用 HSV 颜色空间来表示

1.HSV颜色空间

• RGB颜色模型使用红、绿、蓝三原色的强度来表示颜色，是一种加色法模型，即颜色的混合是添加三原色的强度。而HSV颜色空间使用色调（Hue）、饱和度（Saturation）和亮度（Value）三个参数来表示颜色
• HSV颜色空间更加符合人类对颜色的感知方式
• 颜色调整更加直观，只需要调整色调和饱和度即可完成对图像颜色的调整
• 在图像处理中分割某种颜色物体时，只需在HSV空间中限定H的范围，而无需同时处理R、G、B三个通道的复杂组合，使用更加简便

2.颜色转换

• 我们可以将使用RGB颜色模型表示的图像转换为灰度图或者使用HSV颜色空间表示
• cv.cvtColor(img,code)

img = cv.imread('img\cat1.png')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) #RBG转换为灰度图
hsv = cv.cvtColor(img,cv.COLOR_BGR2HSV) #RBG转换为HSV
cv.imshow('img',img)
cv.imshow('gray',gray)
cv.imshow('hsv',hsv)
cv.waitKey(0)
cv.destroyAllWindows()

二、灰度化

• 灰度化是图像处理以及计算机视觉的常用操作，就是将彩色图像转换为灰度图像的过程
• 灰度图只有一个通道，以下介绍三种方法进行灰度化

1.最大值法

• 顾名思义就是将RBG三通道中的最大值取出作为灰度图的像素值

img = cv.imread('img\cat1.png')
h,w,_ = img.shape
img1 = np.zeros((h,w),dtype=np.uint8)
for i in range(h):for j in range(w):arr = img[i][j]max_val = max(arr[0],arr[1],arr[2])img1[i][j] = max_val
cv.imshow('img1',img1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

2.平均值法

• 将RBG三通道的像素值取平均值取出作为灰度图的像素值

img = cv.imread('img\cat1.png')
h,w,_ = img.shape
img1 = np.zeros((h,w),dtype=np.uint8)
for i in range(h):for j in range(w):arr = img[i][j]mean_val = np.uint8(int(img[i][j][0])+int(img[i][j][1])+int(img[i][j][2])//3)img1[i][j] = max_val
cv.imshow('img1',img1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

tips:在之前的章节提到，图像是uint8类型的数组，使用Numpy的加法是取模运算，使用int函数进行类型转换可以避免数据溢出

3.加权均值法

• 与均值法类似，只不过为每个通道的像素值加入了权重

img = cv.imread('img\cat1.png')
h,w,_ = img.shape
wr,wg,wb = 0.3,0.5,0.2
img1 = np.zeros((h,w),dtype=np.uint8)
for i in range(h):for j in range(w):val = round(wb*img[i][j][0] + wg*img[i][j][1] + wr*img[i][j][2])img1[i][j] = val
cv.imshow('img1',img1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

三、二值化

• 在对图像进行灰度化处理后，我们可以进一步对图像进行二值化操作（也就是二值化的操作对象必须是灰度图），使得图像的所有像素值只有两种值
• 通过二值化处理，能够帮助我们更好地分析图像中的形状、边缘和轮廓等特征
• 以下介绍几种常用的二值化处理方法

1.全局阈值法

• 对于整个灰度图像，只设定一个阈值

1.阈值法(THRESH_BINARY)

• 通过设定一个阈值，将灰度图中每一个点的像素值与之比较，如果小于阈值则设置为0，否则设置为maxval（需要自定义，通常设定为255）

2.反阈值法(THRESH_BINARY_INV)

• 与阈值法操作相反，即将灰度图中每一个点的像素值与之比较，如果小于阈值则设置为maxval，否则设置为0

3.截断阈值法(THRESH_TRUNC)

• 该方法将灰度图中每一个点的像素值与阈值比较，大于阈值的设置为阈值，否则不改变

4.低阈值零处理(THRESH_TOZERO)

• 该方法将灰度图中每一个点的像素值与阈值比较，低于阈值设置为0，否则不变

5.超阈值零处理(THRESH_TOZERO_INV)

• 该方法将灰度图中每一个点的像素值与阈值比较，低于阈值不变，高于阈值设置为0

6.OTSU算法

• 该算法较为特殊，不是单纯的阈值方法，通常它会结合THRESH_BINARY 或 THRESH_BINARY_INV
• OTSU算法是通过一个值将这张图分前景色和背景色（也就是灰度图中小于这个值的是一类，大于这个值的是一类。例如，如果你设置阈值为128，则所有大于128的像素点可以被视作前景，而小于等于128的像素点则被视为背景。
• 该算法将自动计算阈值
• OTSU算法就是在灰度图的像素值范围内遍历阈值T，使得g(（类间方差）)最大，基本上双峰图片的阈值T在两峰之间的谷底
  

7.代码展示

img = cv.imread('img\cat1.png')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)_,binary = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_BINARY) #阈值法
_,binary_inv = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_BINARY_INV) #反阈值法
_,binary_tru = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_TRUNC) #截断阈值法
_,binary_zero = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_TOZERO) #低阈值零处理
_,binary_zero_inv = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_TOZERO_INV) #超阈值零处理
_,otsu = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_OTSU) #OTSU阈值法，默认结合阈值法
adapt = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,3,10)
adapt_guass = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,3,10)
cv.imshow('gray',binary)
cv.imshow('gray1',binary_inv)
cv.imshow('gray2',binary_tru)
cv.imshow('gray3',binary_zero)
cv.imshow('gray4',binary_zero_inv)
cv.imshow('otsu',otsu)
cv.imshow('adapt',adapt)
cv.imshow('adapt',adapt_guass)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

2.局部阈值法

• 当图片呈现出明暗分布不均匀的时候，如果继续使用全局阈值法可能导致结果不够准确，这时候我们可以使用自适应二值化的方法，对每一个像素点计算一个阈值，在结合普通的阈值法或反阈值法即可得到更加准确的结果

• cv2.adaptiveThreshold(image_np_gray, maxval, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)

• maxval：最大阈值，一般为255

• adaptiveMethod：小区域阈值的计算方式：

• thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法

• blockSize：选取的小区域的面积，如7就是7*7的小块。

• c：最终阈值等于小区域计算出的阈值再减去此值

• ADAPTIVE_THRESH_MEAN_C：小区域内取均值

• • 该方法使用指定大小的区域，计算区域内像素点的均值
    

adapt = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,3,10)

• ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
• • 该方法对指定大小区域内像素求加权均值，权重来自高斯分布
• • 在opencv里，当kernel(小区域)的尺寸为1、3、5、7并且用户没有设置sigma的时候(sigma <= 0),核值就会取固定的系数，这是一种默认的值是高斯函数的近似
    
• • 比如kernel的尺寸为3*3时，使用
    $$\left[\begin{array}{c}0.25\\ 0.5\\ 0.25\end{array}\right]\times \left[0.250.50.25\right]$$
    进行矩阵的乘法，就会得到如下的权重值，其他的类似。
    $$kernel=\left[\begin{array}{c}0.06250.1250.0625\\ 0.1250.250.125\\ 0.06250.1250.0625\end{array}\right]$$
    通过这个高斯核，即可对图片中的每个像素去计算其阈值，并将该阈值减去固定值得到最终值
    

adapt_guass = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,3,10)

tips：使用高斯核可以降低噪声对二值化的干扰，因为通常噪声原理所选定的区域，对应的权重较小，对最终结果的影响也就越小

---

THE END