第4章：色彩空间类型转换

第四章：色彩空间类型转换

- one. 色彩空间基础知识：
- - 1. GRAY色彩空间：
  - 2. XYZ色彩空间
  - 3. YCrCb色彩空间
  - 3. HSV色彩空间
  - 4. HLS 色彩空间
  - 5. CIEL * a * b *色彩空间
  - 6. CIEL * u * v *色彩空间
  - 7. Bayer色彩空间
- two. 类型转换函数：
- three. 类型转换实例
- four. HSV色彩空间讨论：
- - 1. 获取指定颜色：
  - 2. 标记指定颜色：
- five. alpha通道：

色彩空间称为颜色空间、彩色空间、颜色模型、彩色系统、彩色模型、色彩模型等。

常见的色彩空间类型有：

RGB色彩空间（最常见）
GRAY色彩空间（灰度图像）
XYZ色彩空间
YCrCb色彩空间
HSV色彩空间
HLS色彩空间
CIEL* a * b* 色彩空间
CIEL * u * v* 色彩空间
Bayer色彩空间

每个色彩空间都有处理问题的领域，因此当我们处理具体问题时，就需要用的色彩空间类型转换。

one. 色彩空间基础知识：

1. GRAY色彩空间：

GRAY（灰度图像）通常指8位灰度图，其具有256个灰度级，像素值的范围是[0, 255]。当图像由RGB色彩空间转换为GRAY色彩空间时，其处理方式如下：

GRAY = 0.299 * R + 0.587 * G + 0.114 * B

上面的转换公式是标准转换公式，也是OpenCV中使用的转换方式。有时也可以简化成：

$GRAY = \cfrac { R + G +B }{ 3 } $

当图像由GRAY色彩空间转换为RGB色彩空间时，最终所有的通道值都将是相同的，其处理方式如下：

R = GRAY
G = GRAY
B = GRAY

2. XYZ色彩空间

XYZ色彩空间是有CIE定义的，是一种更加便于计算的色彩空间，可以与RGB色彩空间进行相互转换。

将RGB色彩空间转换为XYZ色彩空间：

将XYZ色彩空间转换为RGB色彩空间

3. YCrCb色彩空间

人眼视觉系统(HSV)对颜色的敏感度要低于对亮度的敏感度。在传统RGB色彩空间中，RGB三原色具有相同的重要性，但是忽略了亮度信息。

在YCrCb色彩空间中，Y代表光源亮度，色彩信息保存在Cr和Cb中，其中，Cr表示红色分量信息，Cb表示蓝色分量信息。

亮度给出了颜色的亮暗程度信息，该信息通过照明强度的加权和来计算。在RGB光源中，绿色分量影响最大，蓝色分量影响最小。

RGB 色彩空间转换为YCrCb色彩空间：
- Y = 0.299 * R + 0.578 * G + 0.114 * B
- Cr = ( R - Y ) × 0.713 + delta
- Cb = (B - Y ) × 0.546 + delta
式中delta的值为： ${128，8位图像32768,16位图像0.5,单精度图像\begin{cases} 128， \quad 8位图像 \\ 32768, \quad 16位图像 \\ 0.5, \quad 单精度图像 \end{cases}$
YCrCb色彩空间转为RGB色彩空间：
- R = Y + 1.403 * (Cr - delta)
- G = Y - 0.714 * (Cr - delta) - 0.344 * (Cb - delta)
- B = Y + 1.733 * (Cr - delta)
式中delta的值与上面公式中的delta的值相同。

3. HSV色彩空间

RGB是从硬件的角度提出颜色模型，在与人眼匹配的过程中可能存在一定的差异。但HSV色彩空间不同，是一种面向视觉感知的颜色模型。HSV色彩空间从心理学和视觉角度出发，指出了人眼的色彩知觉主要包含三要素：色调（Hue）、饱和度（Saturation）、亮度（Value），色调指光的颜色，饱和度指色彩深浅程度、亮度之人眼感受到的光的明暗程度。

色调：色调与混合光谱中主要光波长相关，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，不同的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。纯普色是全饱和的，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相关。对于色彩来讲，如果期中参入的白色越多，则亮度越高；如果其中掺入的黑色越多，则其亮度越低。

在具体实现上，我们将物理空间的颜色分布在圆周上，不同的角度代表不同的颜色。因此，通过调整色调值就能选取不同的颜色，色调的取值区间是[0, 360]。色调取不同值时，所代表的的颜色不同，两个角度之间的角度对应两个颜色之间的过渡色。

饱和度为一比例值，范围是[0, 1]，具体为所选颜色的纯度值和该颜色最大纯度值之间的比值。饱和度为0时，只有灰度。亮度表示色彩的明亮程度，取值范围也是[0, 1]。

在HSV色彩模型中，取色变得更加直观。例如，取值"色调=0，饱和度=1，亮度= 1"，则当前颜色为深红色，而且颜色较亮。取值"色调=120，饱和度=0.3，亮度=0.4"，则当前颜色为浅绿色，而且颜色较暗。

在从RGB色彩空间转换到HSV色彩空间之前，需要先将RGB色彩空间的值转换到[0, 1]之间，然后再进行处理。具体处理方法为：

计算结果可能存在H<0的情况，如果出现这种情况，则需要对H进行进一步计算，如下

$\begin{cases} H + 360, \quad H<360 \\ H, \quad (其他情况) \end{cases}$

由上述公式可知：

$\in [0, 1]$
$\in [0, 1]$
$\in [0, 360]$

4. HLS 色彩空间

HLS色彩空间包含三要素：色调H（Hue）、光亮度\明度L（Lightness）、饱和度S（Saturation）与HSV色彩空间类似，只是HLS色彩空间用“光亮度/明度L（lightness）”替换了“亮度（Value）”。

色调：表示人眼所能感知的颜色，在 HLS 模型中，所有的颜色分布在一个平面的色调环上，整个色调环为360度的圆心角，不同的角度代表不同的颜色。
光亮度/明度：用来控制色彩的明暗变化，它的取值范围也是[0,1]。我们通过光亮度/明度的大小来衡量有多少光线从物体表面反射出来。光亮度/明度对于眼睛感知颜色很重要，因为当一个具有色彩的物体处于光线太强或者光线太暗的地方时，眼睛是无法准确感知物体颜色的。
饱和度：使用[0,1]的值描述相同色调、相同光亮度/明度下的色彩纯度变化。饱和度的值越大，表示颜色的纯度越高，颜色越鲜艳；反之，饱和度的值越小，色彩的纯度越低，颜色越暗沉。通常用该属性表示颜色的深浅，比如深绿色、浅绿色

5. CIEL * a * b *色彩空间

CIEL * a * b 色彩空间是均匀色彩空间模型，它是面向视觉感知的颜色模型。从视觉感知均匀的角度来讲，人所感知到的两种颜色的区别程度，应该与这两种颜色在色彩空间中的距离成正比。在某个色彩空间中，如果人所观察到的两种颜色的区别程度，与这两种颜色在该色彩空间中对应的点之间的欧式距离成正比，则称该色彩空间为均匀色彩空间。
CIEL * a * b 色彩空间中的L分量用于表示像素的亮度，取值范围是[0,100]，表示从纯黑到纯白；a * 分量表示从红色到绿色的范围，取值范围是[-127,127]; b * 分量表示从黄色到蓝色的范围，取值范围是[-127,127]。
在从RGB色彩空间转换到CIEL * a * b * 色彩空间之前，需要先将RGB色彩空间的值转换到[0,1]之间，然后再进行处理。
由于CIEL * a * b * 色彩空间是在CIE的XYZ色彩空间的基础上发展起来的，在具体处理时，需要先将RGB转换为XYZ色彩空间，再将其转换到CIELa * b *色彩空间。具体实现方法为：

式中：

$\begin{cases} t^\cfrac { 1 }{ 3 }, \quad t > 0.0008856 \\ 7.787t + \cfrac { 16 }{ 116 }, \quad 其他情况 \end{cases}$

$\begin{cases} 128, \quad 8位图像 \\ 0， \quad 单精度图像 \end{cases}$

所得结果中各个值的取值范围为：

$\in [0, 100]$
$\in [-127, 127]$
$\in [-127, 127]$

6. CIEL * u * v *色彩空间

CIEL * u * v * 色彩空间同 CIEL * a * b * 色彩空间一样，都是均匀的颜色模型。CIEL * u * v * 色彩空间与设备无关，适用于显示器显示和根据加色原理进行组合的场合，该模型中比较强调对红色的表示，即对红色的变化比较敏感，但对蓝色的变化不太敏感。
下面的公式给出了从RGB色彩空间到CIEL * u * v *色彩空间的转换公式。

从RGB色彩空间到XYZ色彩空间的转换：

从XYZ色彩空间到CIEL * u * v *色彩空间的转换：

所得结果中各个值的取值范围为：

$\in [0, 100]$
$\in [-127, 127]$
$\in [-127, 127]$

7. Bayer色彩空间

Bayer色彩空间（Bayer模型）被广泛地应用在CCD和CMOS相机中。它能够从如图所示的单平面R、G、B交错表内获取彩色图像。

输出的RGB图像的像素点值，是根据当前点的1个、2个或4个邻域像素点的相同颜色的像素值获得的。上述模式能够通过移动一个左边的像素或者上方的像素来完成修改。在函数cv2.cvtColor（）的色彩空间转换参数中，通常使用两个特定的参数x和y来表示特定的模式。该模式组成通过图第二行中的第2列与第3列的值来指定。图就是典型的“BG”模式。

常见的模式还有很多，例如 cv2.COLOR_BayerBG2BGR、cv2.COLOR_BayerGB2BGR、cv2.COLOR_BayerRG2BGR、cv2.COLOR_BayerGR2BGR、cv2.COLOR_BayerBG2RGB、cv2.COLOR_BayerGB2RGB、cv2.COLOR_BayerRG2RGB、cv2.COLOR_BayerGR2RGB等。

two. 类型转换函数：

在OpenCV中，我们使用cv2.cvtColor()函数进行色彩空间的转换。该函数可以实现多个色彩空间的转换。

dst = cv2.cvtColor(src, code [, dstCn ] )

dst：表示输出图像，与原始输入图像具有同样的数据类型和深度。

src：表示原始输入图像。可以是8位无符号图像、16位无符号图像，或者单精度浮点数等。

code：是色彩空间转换码。

dstCn：是目标图像的通道数。如果参数为默认的0，则通道数自动通过原始输入图像和code得到。

注意：图像深度是指存储每个像素所用的位数，也用于量度图像的色彩分辨率。如8位无符号图像指的是图像深度。https://blog.csdn.net/qq_40041064/article/details/102971585

注意：BGR色彩空间与传统的RGB色彩空间不同。对于一个标准的24位位图，BGR色彩空中第1个字节存放的是蓝色组成的信息，第2个字节存放的是绿色组成的信息，第3个字节存放的是红色组成的的信息。

颜色空间的转换都用到了如下约定：

8位图像值的范围是[0,255]。
16位图像值的范围是[0,65 535]。
浮点数图像值的范围是[0.0~1.0]。

对于线性转换来说，这些取值范围是无关紧要的。但是对于非线性转换来说，输入的RGB图像必须归一化到其对应的取值范围内，才能获取正确的转换结果。

例如，对于8位图，其能够表示的灰度级有 $2^8$ =256个，也就是说，在8位图中，最多能表示256个状态，通常是[0,255]之间的值。但是，在很多色彩空间中，值的范围并不恰好在[0,255]范围内，这时，就需要将该值映射到[0,255]内。

例如，在HSV或HLS色彩空间中，色调值通常在[0,360）范围内，在8位图中转换到上述色彩空间后，色调值要除以2，让其值范围变为[0,180），以满足存储范围，即让值的分布位于8位图能够表示的范围[0,255]内。又例如，在CIEL * a * b * 色彩空间中，a通道和b通道的值范围是[−127,127]，为了使其适应[0,255]的范围，每个值都要加上127。不过需要注意，由于计算过程存在四舍五入，所以转换过程并不是精准可逆的。

three. 类型转换实例

1、将图像在BGR模式和灰度图像之间相互转换。

import cv2lena = cv2.imread('../lena512color.tiff')
gray = cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)
rgb = cv2.cvtColor(gray, cv2.COLOR_GRAY2RGB)
print(lena.shape)
print(gray.shape)
print(rgb.shape)
cv2.imshow('lena', lena)
cv2.imshow('gray', gray)
cv2.imshow('rgb', rgb)
cv2.waitKey()
cv2.destroyAllWindows()

注意：通过“rgb=cv2.cvtColor（gray,cv2.COLOR_GRAY2BGR）”得到的 RGB 图像中，B 通道、G 通道、R通道的值都是一样的，所以其看起来仍是灰度图像。

2、将图像从BGR模式转成RGB模式。

import cv2bgr = cv2.imread('../lena512color.tiff')
rgb = cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB)
cv2.imshow('bgr', bgr)
cv2.imshow('rgb', rgb)
cv2.waitKey()
cv2.destroyAllWindows()

four. HSV色彩空间讨论：

RGB色彩空间是一种被广泛接受的色彩空间，但是该色彩空间过于抽象，我们不能够直接通过其值感知具体的色彩。我们更习惯使用直观的方式来感知颜色，HSV色彩空间提供了这样的方式。通过HSV色彩空间，我们能够更加方便地通过色调、饱和度和亮度来感知颜色。

HSV色彩空间从心理学和视觉的角度出发，提出人眼的色彩知觉主要包含三要素：

H：色调（Hue，也称为色相）。
S：饱和度（Saturation）。
V：亮度（Value）。

**1. 色调： **

在HSV色彩空间中，色调H的取值范围是[0,360]。8位图像内每个像素点所能表示的灰度级有 $2^8$ =256个，所以在8位图像内表示HSV图像时，要把色调的角度值映射到[0,255]范围内。在OpenCV中，可以直接把色调的角度值除以2，得到[0,180]之间的值，以适应8位二进制（256个灰度级）的存储和表示范围。具体如表所示：

在OpenCV中，将色调值除以2之后，会得到如表所示的色调值与对应的颜色，以下是映射后的色调值。

确定值范围后，就可以直接在图像的H通道内查找对应的值，从而找到特定的颜色。例如，在HSV图像中，H通道内值为120的像素点对应蓝色。查找H通道内值为120的像素点，找到的就是蓝色像素点。

在上述基础上，通过分析各种不同对象对应的 HSV 值，便可以查找不同的对象。例如，通过分析得到肤色的HSV值，就可以直接在图像内根据肤色的HSV值来查找人脸（等皮肤）区域。

2. 饱和度：

饱和度值的范围是[0,1]，所以针对饱和度，需要说明以下问题：

灰度颜色所包含的R、G、B的成分是相等的，相当于一种极不饱和的颜色。所以，灰度颜色的饱和度值是0。
作为灰度图像显示时，较亮区域对应的颜色具有较高的饱和度。
如果颜色的饱和度很低，那么它计算所得色调就不可靠。
同样要将饱和度S的值从[0,1]范围映射到[0,255]范围内

3. 亮度：

亮度的范围与饱和度的范围一致，都是[0,1]。同样，亮度值在OpenCV内也将值映射到[0,255]范围内。

亮度值越大，图像越亮；亮度值越低，图像越暗。当亮度值为0时，图像是纯黑色。

1. 获取指定颜色：

可以通过多种方式获取RGB色彩空间的颜色值在HSV色彩空间内所对应的值。例如，可以通过图像编辑软件或者在线网站获取RGB值所对应的HSV值。

需要注意，在从RGB/BGR色彩空间转换到HSV色彩空间时，OpenCV为了满足8位图的要求，对HSV空间的值进行了映射处理。所以，通过软件或者网站获取的HSV值还需要被进一步映射，才能与OpenCV中的HSV值一致。

例：在OpenCV中，测试RGB色彩空间中不同颜色的值转换到HSV色彩空间后的对应值。

import cv2
import numpy as npimg_blue = np.zeros([1, 1, 3], dtype=np.uint8)
img_blue[0, 0, 0] = 255
blue = img_blue
blue_hsv = cv2.cvtColor(blue, cv2.COLOR_BGR2HSV)
print('blue=\n', blue)
print('blue_hsv=\n', blue_hsv)img_green = np.zeros([1, 1, 3], dtype=np.uint8)
img_green[0, 0, 1] = 255
green = img_green
green_hsv = cv2.cvtColor(green, cv2.COLOR_BGR2HSV)
print('green=\n', green)
print('green_hsv=\n', green_hsv)img_red = np.zeros([1, 1, 3], dtype=np.uint8)
img_red[0, 0, 2] = 255
red = img_red
red_hsv = cv2.cvtColor(red, cv2.COLOR_BGR2HSV)
print('red=\n', red)
print('red_hsv=\n', red_hsv)# 输出结果
blue=[[[255   0   0]]]
blue_hsv=[[[120 255 255]]]
green=[[[  0 255   0]]]
green_hsv=[[[ 60 255 255]]]
red=[[[  0   0 255]]]
red_hsv=[[[  0 255 255]]]

2. 标记指定颜色：

在HSV色彩空间中，H通道（饱和度Hue通道）对应不同的颜色。或者换个角度理解，颜色的差异主要体现在H通道值的不同上。所以，通过对H通道值进行筛选，便能够筛选出特定的颜色。例如，在一幅HSV图像中，如果通过控制仅仅将H通道内值为240（在OpenCV内被调整为120）的像素显示出来，那么图像中就会仅仅显示蓝色部分。

通过inRange()函数锁定特定值

OpenCV中通过函数cv2.inRange（）判断图像内像素点的像素值是否在指定的范围内，其语法为：
- dst=cv2.inRange（src,lowerb,upperb）
  
  dst：表示输出结果，大小和src一致。
  
  src：表示要检查的数组或图像。
  
  lowerb：表示范围下界。
  
  upperb：表示范围上界。
- 返回值dst与src等大小，其值取决于src中对应位置上的值是否处于区间[lowerb,upperb]内
  - 如果src值处于该指定区间内，则dst中对应位置上的值为255。
  - 如果src值不处于该指定区间内，则dst中对应位置上的值为0。
例：使用函数cv2.inRange（）将某个图像内的在[100,200]内的值标注出来。
```
import cv2
import numpy as npimg = np.random.randint(0, 256, size=[5, 5], dtype=np.uint8)
min = 100
max = 200
mask = cv2.inRange(img, min, max)
print('img=\n', img)
print('mask=\n', mask)# 输出结果
img=[[170 181 245  13 255][ 79  72 133 113 138][112  72 169  87  47][142 210 139  94 165][ 32  16   9  89  95]]
mask=[[255 255   0   0   0][  0   0 255 255 255][255   0 255   0   0][255   0 255   0 255][  0   0   0   0   0]]
```

通过基于掩码的按位与操作显示ROI：

例：正常显示某个图像内的感兴趣区域（ROI），而将其余区域显示为黑色。

import cv2
import numpy as npimg = np.ones([5, 5], dtype=np.uint8) * 9
mask = np.zeros([5, 5], dtype=np.uint8)
mask[0:3, 0] = 1
mask[2:5, 2:4] = 1roi = cv2.bitwise_and(img, img, mask=mask)
print('img=\n', img)
print('mask=\n', mask)
print('roi=\n', roi)# 输出结果
img=[[9 9 9 9 9][9 9 9 9 9][9 9 9 9 9][9 9 9 9 9][9 9 9 9 9]]
mask=[[1 0 0 0 0][1 0 0 0 0][1 0 1 1 0][0 0 1 1 0][0 0 1 1 0]]
roi=[[9 0 0 0 0][9 0 0 0 0][9 0 9 9 0][0 0 9 9 0][0 0 9 9 0]]

显示特定颜色值：

例：使用OpenCV，提取图片中不同颜色。

需要注意的是，在实际提取颜色时，往往不是提取一个特定的值，而是提取一个颜色区间。例如，在OpenCV中的HSV模式内，蓝色在H通道内的值是120。在提取蓝色时，通常将“蓝色值120”附近的一个区间的值作为提取范围。该区间的半径通常为10左右，例如通常提取[120−10,120+10]范围内的值来指定蓝色。

相比之下，HSV模式中S通道、V通道的值的取值范围一般是[100,255]。这主要是因为，当饱和度和亮度太低时，计算出来的色调可能就不可靠了。

import cv2
import numpy as npimg = cv2.imread('../pepper.tiff')
cv2.imshow('img', img)
print(img)
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2.imshow('img_hsv', img_hsv)min_red = np.array([0, 50, 50])
max_red = np.array([20, 255, 255])
mask = cv2.inRange(img_hsv, min_red, max_red)
img_red = cv2.bitwise_and(img_hsv, img_hsv, mask=mask)
cv2.imshow('img_red', img_red)min_green = np.array([40, 50, 50])
max_green = np.array([70, 255, 255])
mask = cv2.inRange(img_hsv, min_green, max_green)
img_green = cv2.bitwise_and(img_hsv, img_hsv, mask=mask)
cv2.imshow('img_green', img_green)min_yellow = np.array([20, 50, 50])
max_yellow = np.array([40, 255, 255])
mask = cv2.inRange(img_hsv, min_yellow, max_yellow)
img_yellow = cv2.bitwise_and(img_hsv, img_hsv, mask=mask)
cv2.imshow('img_yellow', img_yellow)cv2.waitKey()
cv2.destroyAllWindows()

five. alpha通道：

在RGB色彩空间三个通道的基础上，还可以加上一个A通道，也叫alpha通道，表示透明度。这种4个通道的色彩空间被称为RGBA色彩空间，PNG图像是一种典型的4通道图像。alpha通道的赋值范围是[0,1]，或者[0,255]，表示从透明到不透明。

例：编写一个程序，对图像的alpha通道进行处理。

import cv2img = cv2.imread('../lena512color.tiff')
bgra = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
b, g, r, a = cv2.split(bgra)
a[:, :] = 125
bgra_125 = cv2.merge([b, g, r, a])
a[:, :] = 0
bgra_0 = cv2.merge([b, g, r, a])cv2.imshow('img', img)
cv2.imshow('bgra', bgra)
cv2.imshow('bgra_125', bgra_125)
cv2.imshow('bgra_0', bgra_0)cv2.imwrite('../bgra_125.png', bgra_125)
cv2.imwrite('../bgra_0.png', bgra_0)cv2.waitKey()
cv2.destroyAllWindows()