第6章主要讲的是彩色图像处理，一些彩色模型如RGB，CMK，CMYK，HSI等色彩模型；彩色模型的变换关系；还包含由灰度图像怎样处理成假彩色图像；使用彩色分割图像等。本章比较少理论还有变换的描述，主要以代码为主，如有需要，请自行查看书本。

这里写目录标题

色彩基础
- 彩色模型
- - RGB彩色模型
  - RGB to Gray
  - CMK和CMYK 彩色模型
  - HSI

import numpy as np
import cv2
import matplotlib 
import matplotlib.pyplot as plt
import PILprint(f"Numpy version: {np.__version__}")
print(f"Opencv version: {cv2.__version__}")
print(f"Matplotlib version: {matplotlib.__version__}")
print(f"Pillow version: {PIL.__version__}")

Numpy version: 1.18.1
Opencv version: 4.2.0
Matplotlib version: 3.1.3
Pillow version: 7.0.0

def normalize(mask):return (mask - mask.min()) / (mask.max() - mask.min())

色彩基础

区别不同颜色的特性通常是亮度、色调和饱和度。亮度体现的发光强度的消色概念；色调是混合光波中与主波长书的人属性，表示被观察者感知的主导色；饱和度是指相对的纯度，或与一种色调混合的白光量。

色调与饱和度一起称为色度，因此一种颜色可由其亮度和色度来表征。形成任何一种特殊颜色的红色量、绿色量和蓝色量称为三色值，并分别表示为X，Y和Z。因此一种彩色就可由其三色系数来规定。

$\frac{X}{X + Y + Z} \tag{6.1}$
$\frac{Y}{X + Y + Z} \tag{6.2}$
$\frac{Z}{X + Y + Z} \tag{6.3}$
$\tag{6.4}$

彩色模型

彩色模型（也称彩色空间或彩色系统）的目的是以某种师傅微软方式来方便地规定颜色。彩色模型本质上规定：坐标系；坐标系内的子空间，模型内的每种颜色都可由子空间内包含的一个点来表示。

针对彩色显示器和彩色摄像机开发的RGB(Red, Green, Blue)模型；针对彩色打印开发的CMY(Cyan, Magenta, Yellow)模型和CMYK(K is Black)；针对人们描述和解释颜色的方式开发的HSI(Hue, Saturation, Intensity)模型。

HSI能名解除图像中颜色和灰度级信息的联系，使其更适合灰度级处理技术。

RGB彩色模型

根根笛卡儿坐标系建立的。R，G和B的值都已经归一化在区间[0, 1]内。RGB原色可解释为发源于立方体原点的一个向量。

表示每个像素所用的比特数称为像素深度。

RGB三个通道，每个通道像素深度为8比特图像，RGB彩色像素的深度为24比特。值域为[0, 255]

# RGB 彩色模型
img_bgr = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0608(RGB-full-color-cube).tif')
img_rgb = img_bgr[:, :, ::-1]
plt.figure(figsize=(5, 5))
plt.imshow(img_rgb), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

# RGB 三个隐藏面，合成显示RGB，R = 127
temp = np.zeros([512, 512], np.uint8)x = np.linspace(0, 1, temp.shape[0])
X = np.uint8(normalize(x) * 255)
X = np.tile(X, [512, 1])y = np.linspace(0, 1, temp.shape[0])
Y = np.uint8(normalize(y) * 255)
Y = np.tile(Y, [512, 1])R = temp + 127
G = X
B = np.rot90(Y)plt.figure(figsize=(20, 5))
plt.gray()
plt.subplot(143), plt.imshow(R, vmin=0, vmax=255), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(142), plt.imshow(G, ), plt.title('Green Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(141), plt.imshow(B, ), plt.title('Blue Channel'), plt.xticks([]), plt.yticks([])img = np.dstack([R, G, B])
plt.subplot(144),plt.imshow(img), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

在这里插入图片描述

# RGB 三个隐藏面，R = 0
temp = np.zeros([512, 512], np.uint8)x = np.linspace(0, 1, temp.shape[0])
X = np.uint8(normalize(x) * 255)
X = np.tile(X, [512, 1])y = np.linspace(0, 1, temp.shape[0])
Y = np.uint8(normalize(y) * 255)
Y = np.tile(Y, [512, 1])R = temp
G = X
B = np.rot90(Y)plt.figure(figsize=(20, 5))
plt.gray()
plt.subplot(141), plt.imshow(R, vmin=0, vmax=255), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(142), plt.imshow(G, ), plt.title('Green Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(B, ), plt.title('Blue Channel'), plt.xticks([]), plt.yticks([])img = np.dstack([R, G, B])
plt.subplot(144),plt.imshow(img), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

在这里插入图片描述

# RGB 三个隐藏面，G = 0
temp = np.zeros([512, 512], np.uint8)x = np.linspace(0, 1, temp.shape[0])
X = np.uint8(normalize(x) * 255)
X = np.tile(X, [512, 1])y = np.linspace(0, 1, temp.shape[0])
Y = np.uint8(normalize(y) * 255)
Y = np.tile(Y, [512, 1])G = temp
R = np.flip(X)
B = np.rot90(Y)plt.figure(figsize=(20, 5))
plt.gray()
plt.subplot(141), plt.imshow(R, vmin=0, vmax=255), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(142), plt.imshow(G, ), plt.title('Green Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(B, ), plt.title('Blue Channel'), plt.xticks([]), plt.yticks([])img = np.dstack([R, G, B])
plt.subplot(144),plt.imshow(img), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

在这里插入图片描述

# RGB 三个隐藏面，B = 0
temp = np.zeros([512, 512], np.uint8)x = np.linspace(0, 1, temp.shape[0])
X = np.uint8(normalize(x) * 255)
X = np.tile(X, [512, 1])y = np.linspace(0, 1, temp.shape[0])
Y = np.uint8(normalize(y) * 255)
Y = np.tile(Y, [512, 1])B = temp
G = X
R = np.rot90(np.fliplr(Y))plt.figure(figsize=(20, 5))
plt.gray()
plt.subplot(141), plt.imshow(R, vmin=0, vmax=255), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(142), plt.imshow(G, ), plt.title('Green Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(B, ), plt.title('Blue Channel'), plt.xticks([]), plt.yticks([])img = np.dstack([R, G, B])
plt.subplot(144),plt.imshow(img), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

在这里插入图片描述

RGB to Gray

模式“L”:

模式“L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。在PIL中，从模式“RGB”转换为“L”模式是按照下面的公式转换的：

L = R * 299/1000 + G * 587/1000+ B * 114/1000

img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')img_rgb = img_ori[:, :, ::-1] # 这个下面实现是一样的效果[0, 1, 2]， 反转为[2, 1, 0]
# img_rgb = img_ori[..., ::-1]plt.figure(figsize=(20, 5))img_b = img_ori[:, :, 0]
img_g = img_ori[:, :, 1]
img_r = img_ori[:, :, 2]plt.subplot(141), plt.imshow(img_rgb), plt.title('Original'), plt.xticks([]), plt.yticks([])plt.gray()
plt.subplot(142), plt.imshow(img_b, ), plt.title('Blue Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(img_g, ), plt.title('Green Channel'), plt.xticks([]), plt.yticks([])
plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()

在这里插入图片描述

def rgb2gray(img):"""convert RGB image to gray imageparam: img: input RGB 3 channels imagereturn: grayscale image"""img_gray = np.zeros((img.shape[:2]))img_r = img[:, :, 0].astype(np.float32)img_g = img[:, :, 1].astype(np.float32)img_b = img[:, :, 2].astype(np.float32)img_gray = (img_r * 299 + img_g * 587 + img_b * 114) / 1000img_gray = (normalize(img_gray) * 255).astype(np.uint8)return img_graydef bgr2gray(img):"""convert RGB image to gray imageparam: img: input RGB 3 channels imagereturn: grayscale image"""img_gray = np.zeros((img.shape[:2]))img_r = img[:, :, 2].astype(np.float32)img_g = img[:, :, 1].astype(np.float32)img_b = img[:, :, 0].astype(np.float32)img_gray = (img_r * 299 + img_g * 587 + img_b * 114) / 1000img_gray = (normalize(img_gray) * 255).astype(np.uint8)return img_gray

# RGB2GRAY
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif') # BGR
img_rgb = img_ori[:, :, ::-1] # 这个下面实现是一样的效果[0, 1, 2]， 反转为[2, 1, 0]
img_gray = rgb2gray(img_rgb)
bgr_gray = bgr2gray(img_ori)plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_rgb), plt.title('Original'), plt.xticks([]), plt.yticks([])plt.gray()
plt.subplot(142), plt.imshow(img_gray, ), plt.title('RGB to Gray'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(bgr_gray, ), plt.title('BGR to Gray'), plt.xticks([]), plt.yticks([])
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

在这里插入图片描述

CMK和CMYK 彩色模型

RGB 归一化到【0， 1】

$[CMY]=[111]−[RGB]\begin{bmatrix} C \\ M \\ Y\end{bmatrix} = \begin{bmatrix} 1 \\ 1 \\ 1\end{bmatrix} - \begin{bmatrix} R \\ G \\ B\end{bmatrix}$

从CMY到CMYK的转换如下：
$K = m i n (C, M, Y)$
若 $K = 1$ ，则产生无颜色贡献的纯黑色，由此得出 $C = 0, M = 0, Y = 0$ ，否则：
$C = (C - K) / (1 - K)$
$M = (M - K) / (1 - K)$
$Y = (Y - k) / (1 - K)$

从CMYK到CMY的转换是：
$C = C (1 - K) + K$
$M = M (1 - K) + K$
$Y = Y (1 - K) + K$

def rgb_2_cmy(img):"""RGB image convert to CMYparam: img: input RGB imagereturn CMY image"""img_norm = normalize(img).astype(np.float32)img_cmy = 1 - img_norm
#     img_cmy = np.uint8(img_cmy * 255)return img_cmy

def rgb_2_cmyk(img):"""RGB image convert to CMYKparam: img: input RGB imagereturn CMYK image"""height, width, channel = img.shapeimg_cmy = 1 - normalize(img).astype(np.float32)img_c = np.zeros((height, width), dtype=np.float32)img_m = np.zeros((height, width), dtype=np.float32)img_y = np.zeros((height, width), dtype=np.float32)img_k = np.zeros((height, width), dtype=np.float32)for h in range(height):for w in range(width):temp = img[h, w]k = min(temp[0], temp[1], temp[2])c, m, y = img_cmy[h, w]if k == 1:img_c[h, w] = 0img_m[h, w] = 0img_y[h, w] = 0img_k[h, w] = 1else:img_c[h, w] = (c - k) / (1 - k)img_m[h, w] = (m - k) / (1 - k)img_y[h, w] = (y - k) / (1 - k)img_k[h, w] = kimg_cmyk = np.dstack((img_c, img_m, img_y, img_k))img_dst = normalize(img_cmyk)
#     img_dst = np.uint8(normalize(img_cmyk) * 255)return img_dst

def rgb_2_cmyk_2(img):"""There still have some problem"""height, width, channel = img.shapeimg_cmy = 1 - normalize(img)k = np.min(img_cmy, axis=2)img_c = img_cmy[:, :, 0]img_m = img_cmy[:, :, 1]img_y = img_cmy[:, :, 2]# 当 K != 1 时img_c = np.where(k == 1, img_c, (img_c - k) / (1 - k + 1e-5))img_m = np.where(k == 1, img_m, (img_m - k) / (1 - k + 1e-5))img_y = np.where(k == 1, img_y, (img_y - k) / (1 - k + 1e-5))# 当 K = 1  时img_c = np.where(k != 1, img_c, 0)img_m = np.where(k != 1, img_m, 0)img_y = np.where(k != 1, img_y, 0)img_cmyk = np.dstack((img_c, img_m, img_y))img_cmyk = normalize(img_cmyk)return img_cmyk

# RGB 2 CMYK
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')# 这里需要先转为float，不然会出现意想不到的结果
img_ori_norm = normalize(img_ori).astype(np.float32)img_rgb = img_ori_norm[:, :, ::-1] # 这个下面实现是一样的效果[0, 1, 2]， 反转为[2, 1, 0]
# img_rgb = img_ori[..., ::-1]
print(img_rgb[0, 0])plt.figure(figsize=(20, 5))img_b = img_ori_norm[:, :, 0]
img_g = img_ori_norm[:, :, 1]
img_r = img_ori_norm[:, :, 2]img_cmy = rgb_2_cmy(img_rgb)
print(img_cmy[0, 0])img_cmyk = rgb_2_cmyk(img_rgb)
print(img_cmyk[0, 0])plt.subplot(141), plt.imshow(img_rgb, ), plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(142), plt.imshow(img_cmy, ), plt.title('CMY'), plt.xticks([]), plt.yticks([])
plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK'), plt.xticks([]), plt.yticks([])
plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel'), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()

[0.7882353  0.29411766 0.00392157]
[0.2117647  0.7058823  0.99607843]
[0.78587306 0.9201019  0.9989347  0.7304729 ]

在这里插入图片描述

# Pillow CMYK
img_ori = PIL.Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')img_cmyk = img_ori.convert("CMYK")
print(f"Mode: {img_cmyk.mode}, shape: {np.array(img_cmyk).shape}")print(f'Pixel value: RGB: {img_ori.getpixel((0, 0))}, CMYK: {img_cmyk.getpixel((0, 0))}')plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_ori, ), plt.title('Original')
plt.subplot(142), plt.imshow(img_cmyk, ), plt.title('CMYK')
plt.tight_layout()
plt.show()

Mode: CMYK, shape: (512, 512, 4)
Pixel value: RGB: (201, 75, 1), CMYK: (54, 180, 254, 0)

在这里插入图片描述

HSI

$\begin{cases} \theta, & B \leq G \\ 360 - \theta, & B > G \end{cases}$
$θ=arccos[12[(R−G)+(R−B)][(R−G)2+(R−B)(G−B)]1/2]\theta = arccos\bigg[\frac{\frac{1}{2}[(R-G) + (R-B)]}{[(R-G)^2 + (R-B)(G-B)]^{1/2}} \bigg]$
$\frac{3}{(R + G + B)}[min(R, G, B)]$
$\frac{1}{3}(R + G + B)$

RGB 值已被归一化到区间【0，1】，并且角度 $θ\theta$ 是相对于HSI空间的红色轴来测量的，将得到的所有值除以360，可将色调归一化到区间【0， 1】。

def rgb2hsi(img):"""RGB image convert to CMYKparam: img: input RGB imagereturn CMYK image"""img_rgb = img.copy()H = np.zeros(img_rgb.shape[:2])S = np.zeros(img_rgb.shape[:2])I = np.zeros(img_rgb.shape[:2])height, width = img_rgb.shape[:2]for h in range(height):for w in range(width):temp = img_rgb[h, w]R = temp[0]G = temp[1]B = temp[2]numerator = ((R - G) + (R - B)) / 2denominator = np.power((R - G)**2 + (R - B) * (G - B), 1/2)theta = np.arccos(numerator / (denominator + 1e-5))print(theta)if B <= G:H[h, w] = theta / 360else:H[h, w] = (360 - theta) / 360S[h, w] = 1 - ((3 * min(R, G, B))/ (R + G + B + 1e-5))I[h, w] = (R + G + B + 1e-5) / 3img_HSI = np.dstack((H, S, I))img_HSI = np.uint8(normalize(img_HSI) * 255)return img_HSI

# RGB 2 HSI
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')img_ori_norm = normalize(img_ori)img_rgb = img_ori_norm[:, :, ::-1] # 这个下面实现是一样的效果[0, 1, 2]， 反转为[2, 1, 0]
# img_rgb = img_ori[..., ::-1]
print(img_rgb[0, 0])plt.figure(figsize=(20, 5))# 这里需要先转为float，不然会出现意想不到的结果
img_b = img_ori_norm[:, :, 0].astype(np.float32)
img_g = img_ori_norm[:, :, 1].astype(np.float32)
img_r = img_ori_norm[:, :, 2].astype(np.float32)H = np.zeros(img_rgb.shape[:2])
S = np.zeros(img_rgb.shape[:2])
I = np.zeros(img_rgb.shape[:2])height, width = img_rgb.shape[:2]
for h in range(height):for w in range(width):R = img_r[h, w]G = img_g[h, w]B = img_b[h, w]numerator = ((R - G) + (R - B))denominator = 2 * np.sqrt((R - G)**2 + (R - B) * (G - B))theta = np.arccos(numerator / (denominator + 1e-5))degree = np.rad2deg(theta)
#         print(degree)if B <= G:H[h, w] = degreeelse:H[h, w] = (360 - degree)S[h, w] = 1 - ((3 * min(R, G, B))/ (R + G + B + 1e-5))I[h, w] = (R + G + B) / 3H = normalize(H)
H = H.reshape(H.shape[0], H.shape[1], 1)
S = S.reshape(S.shape[0], S.shape[1], 1)
I = I.reshape(H.shape[0], H.shape[1], 1)
S = normalize(S)
I = normalize(I)
img_HSI = np.concatenate((H, S, I), axis=2)
# img_HSI = img_HSI.reshape(img_ori.shape[0], img_ori.shape[1], 3)
# img_HSI = img_HSI.transpose((1, 2, 0))
print(img_HSI.shape)
# img_HSI = np.uint8(normalize(img_HSI) * 255)plt.subplot(141), plt.imshow(img_rgb, ), plt.title('Original')plt.subplot(142), plt.imshow(img_HSI, ), plt.title('HSI')
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

[0.78823529 0.29411765 0.00392157]
(512, 512, 3)

在这里插入图片描述

# RGB 2 HSI
img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')img_hsi = cv2.cvtColor(img_ori, cv2.COLOR_BGR2HSV_FULL)      plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_rgb, ), plt.title('Original')plt.subplot(142), plt.imshow(img_hsi, ), plt.title('HSI')
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title('CMYK')
# plt.subplot(144), plt.imshow(img_r, ), plt.title('Red Channel')plt.tight_layout()
plt.show()

在这里插入图片描述

img_ori = PIL.Image.open('DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif')img_HSI = img_ori.convert("HSV")
print(f"Mode: {img_HSI.mode}, shape: {np.array(img_HSI).shape}")print(f'Pixel value: RGB: {img_ori.getpixel((0, 0))}, HSI: {img_HSI.getpixel((0, 0))}')plt.figure(figsize=(20, 5))
plt.subplot(141), plt.imshow(img_ori, ), plt.title('Original')
plt.subplot(142), plt.imshow(img_HSI, ), plt.title('HSI')
plt.tight_layout()
plt.show()

Mode: HSV, shape: (512, 512, 3)
Pixel value: RGB: (201, 75, 1), HSI: (15, 253, 201)

在这里插入图片描述

第6章 Python 数字图像处理(DIP) - 彩色图像处理1 - RGB彩色模型，RGB to Gray，CMK和CMYK彩色模型，HSI彩色模型

这里写目录标题

色彩基础

彩色模型

RGB彩色模型

RGB to Gray

CMK和CMYK 彩色模型

HSI

相关文章

git 命令详解_再次学习Git版本控制工具

spring-boot 定时任务

使用Lightbox制作照片条

第6章 Python 数字图像处理(DIP) - 彩色图像处理2 - 灰度分层（灰度分割）和彩色编码，灰度值到彩色变换，Gray to RGB

值重新赋值_JavaScript-赋值运算符

超声换能器的原理及设计_超声波发生器、变幅杆、焊头的匹配介绍

位图法

CentOS查看和修改PATH环境变量的方法

IOS简单的登陆界面

第6章 Python 数字图像处理(DIP) - 彩色图像处理3 -色彩变换、彩色校正、彩色图像平滑和锐化、HSI彩色空间中的分割、RGB空间中的分割、彩色边缘检测

javascript 在对象中使用定时器_如何使用JavaScript 面向对象编程

char数组转string_String类和其它数据类型的相互转换

python3循环一直到一个值结束_一步一步学Python3(小学生也适用) 第十七篇:循环语句for in循环...

设置Jupyter notebook 默认工作路径，修改Jupyter notebook 默认浏览器为Chrome

第10章 Python 数字图像处理(DIP) - 图像分割基础知识标准差分割法

OFBiz的探索进阶

对GCD的一些理解和实践

[Buzz Today]2012.08.08

PyTorch训练中Dataset多线程加载数据，比Dataloader里设置多个workers还要快

python调用摄像头人脸识别代码_利用face_recognition，dlib与OpenCV调用摄像头进行人脸识别...