opencv-python学习（五）：色彩空间转换

一：调用转换函数实现图像色彩空间转换

代码如下：

# 引入包
import cv2 as cv
import numpy as np

def color_space_demo(image):
    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #RGB 转换为 gray -- RGB转灰度图
    cv.namedWindow("gray", cv.WINDOW_NORMAL)
    cv.imshow("gray", gray)
    hsv = cv.cvtColor(image, cv.COLOR_RGB2HSV) #RGB 转换为 hsv
    cv.namedWindow("hsv", cv.WINDOW_NORMAL)
    cv.imshow("hsv", hsv)
    yuv = cv.cvtColor(image, cv.COLOR_RGB2YUV) #RGB 转换为 yuv
    cv.namedWindow("yuv", cv.WINDOW_NORMAL)
    cv.imshow("yuv", yuv)

src = cv.imread("./static/image/blur.jpg")
cv.namedWindow("oldImage", cv.WINDOW_NORMAL) # 可以改变窗口大小
cv.imshow("oldImage", src)
color_space_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()```

代码解释：
1、cv.cvtColor()
cv.cvtColor()用于将图像从一个颜色空间转换到另一个颜色空间的转换（目前常见的颜色空间均支持），并且在转换的过程中能够保证数据的类型不变，即转换后的图像的数据类型和位深与源图像一致。

调用形式如下：

 cv.cvtColor(src, code[, dst[, dstCn]])

src：它是要更改其色彩空间的图像。
code：它是色彩空间转换代码。
dst：它是与src图像大小和深度相同的输出图像。它是一个可选参数。
dstCn：它是目标图像中的频道数。如果参数为0，则通道数自动从src和代码得出。它是一个可选参数。
返回值：它返回一个图像。

2、颜色空间
RGB颜色空间

1、计算机色彩显示器和彩色电视机显示色彩的原理一样，都是采用R、G、B相加混色的原理，通过发射出三种不同强度的电子束，使屏幕内侧覆盖的红、绿、蓝磷光材料发光而产生色彩。这种色彩的表示方法称为RGB色彩空间表示。

2、在RGB颜色空间中，任意色光F都可以用R、G、B三色不同分量的相加混合而成：F=r[R]+r[G]+r[B]。RGB色彩空间还可以用一个三维的立方体来描述。当三基色分量都为0(最弱)时混合为黑色光；当三基色都为k(最大，值由存储空间决定)时混合为白色光。

3、RGB色彩空间采用物理三基色表示，因而物理意义很清楚，适合彩色显象管工作。然而这一体制并不适应人的视觉特点。因而，产生了其它不同的色彩空间表示法。

4、RGB 适合于显示系统，却并不适合于图像处理
因为在自然环境下获取的图像容易受自然光照、遮挡和阴影等情况的影响，即对亮度比较敏感，而 RGB 颜色空间的三个分量都与亮度密切相关，即只要亮度改变，三个分量都会随之相应地改变。另外，RGB 颜色空间是一种均匀性较差的颜色空间，人眼对于这三种颜色分量的敏感程度是不一样的，在单色中，人眼对红色最不敏感，蓝色最敏感，如果颜色的相似性直接用欧氏距离来度量，其结果与人眼视觉会有较大的偏差。对于某一种颜色，我们很难推测出较为精确的三个分量数值来表示。

YUV颜色空间

YUV（亦称YCrCb）是被欧洲电视系统所采用的一种颜色编码方法。

主要用在视频、图形处理流水线中。相对于 RGB 颜色空间，设计 YUV 的目的就是为了编码、传输的方便，减少带宽占用和信息出错。

人眼的视觉特点是对亮度更铭感，对位置、色彩相对来说不铭感。在视频编码系统中为了降低带宽，可以保存更多的亮度信息(luma)，保存较少的色差信息(chroma)。相对于RGB，也可以节省很大的空间。
其中“Y”表示明亮度（Luminance或Luma），也就是灰阶值；而“U”和“V” 表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。

HSV颜色空间

HSV 颜色空间比RGB更适用于图像处理

HSV是一种将RGB色彩空间中的点在倒圆锥体中的表示方法。HSV即色相(Hue)、饱和度(Saturation)、明度(Value)，又称HSB(B即Brightness)。

色相是色彩的基本属性，就是平常说的颜色的名称，如红色、黄色等。饱和度（S）是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100%的数值。明度（V），取0-max(计算机中HSV取值范围和存储的长度有关)。HSV颜色空间可以用一个圆锥空间模型来描述。圆锥的顶点处，V=0，H和S无定义，代表黑色。圆锥的顶面中心处V=max，S=0，H无定义，代表白色。

RGB颜色空间中，三种颜色分量的取值与所生成的颜色之间的联系并不直观。而HSV颜色空间，更类似于人类感觉颜色的方式，封装了关于颜色的信息：“这是什么颜色？深浅如何？明暗如何？”
HSV能够直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比，它比 BGR 更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。

HSV色彩空间说明：
H：0-180 S： 0-255 V： 0-255

运行结果：

——————————————————————————————————————————————————————————

二：色彩空间转换，利用inrange函数过滤视频中的颜色，实现跟踪某一颜色

代码如下：

# 引入包
import cv2 as cv
import numpy as np

def nextrace_object_demo():
    capture = cv.VideoCapture("./static/video/test1.mp4") # 导入视频
    while True:
        ret, frame = capture.read()
        if ret == False:
            break
        hsv = cv.cvtColor(frame, cv.COLOR_RGB2HSV)
        # 设置白色的范围，跟踪视频中的白色
        lower_hsv = np.array([0, 0, 221]) # 设置过滤颜色的低值
        upper_hsv = np.array([180, 30, 255]) # 设置过滤颜色的高值
        mask = cv.inRange(hsv, lower_hsv, upper_hsv) # 调节图像的颜色信息（H）、饱和度（S）、亮度（V）区间，选择白色区间
        cv.imshow("video", frame)
        cv.imshow("mask", mask)
        if cv.waitKey(50) & 0xFF == ord('q'):
            break

nextrace_object_demo()
cv.waitKey(0)
cv.destroyAllWindows()

代码解释：
cv.VideoCapture()：视频读取

cv.VideoCapture()既支持视频文件的读取，也支持从摄像机中视频的读取。cv.VideoCapture对象的创建方式有以下两种：
第一种方式是从文件（.MPG或.AVI格式）中读取视频，对象创建以后，OpenCV将会打开文件并做好准备读取它，如果打开成功，我们将可以开始读取视频的帧，并且cv.VideoCapture()的成员函数isOpened()将会返回true（建议在打开视频或摄像头时都使用该成员函数判断是否打开成功）。

第二种方式是从摄像机中读取视频，这种情况下，我们会给出一个标识符，用于表示我们想要访问的摄像机，及其与操作系统的握手方式。对于摄像机而言，这个标志符就是一个标志数字——如果只有1个摄像机，那么就是0，如果系统中有多个摄像机，那么只要将其向上增加即可。标识符另外一部分是摄像机域（camera domain），用于表示摄像机的类型。

ret, frame = capture.read()
读取摄像头，它能返回两个参数，第一个参数是bool型的ret，其值为true或false，代表有没有读取到图片；第二个参数是frame，是当前截取一帧图片

cv.inRange()函数的作用是：可以提取你想要的颜色，并把该颜色的区域设置为白色，其余的设置为黑色。
其实原理是这样的：在RGB三通道图像中，该函数会让你输入一个低值数组和高值数组，然后这个函数会扫描图片的每个像素，每个像素的值，即这个数组的每个值，如果相对应的，都在两个你输入的数组的，相对应的位置的数值内，那么这个数值会被设置为白色。否则只要有一个不在这个范围内，那么就会设置为黑色。

可以通过下表对应颜色的数值过滤其他颜色
HSV颜色对应RGB的分量范围：

运行结果：

————————————————————————————————————————————————————————

三：通道分离、合并，修改某一通道

代码如下：

# 引入包
import cv2 as cv
import numpy as np

src = cv.imread("./static/image/blur.jpg")
cv.namedWindow("oldImage", cv.WINDOW_NORMAL)
cv.imshow("oldImage", src)

# 通道分离，输出三个单通道图片
b, g, r = cv.split(src)# 将彩色图像分割成3个通道
cv.namedWindow("blue", cv.WINDOW_NORMAL)
cv.imshow("blue", b)

cv.namedWindow("green", cv.WINDOW_NORMAL)
cv.imshow("green", g)

cv.namedWindow("red", cv.WINDOW_NORMAL)
cv.imshow("red", r)

# 通道合并
src = cv.merge([b, g, r])
cv.namedWindow("merge", cv.WINDOW_NORMAL)
cv.imshow("merge", src)

# 修改某个通道的值
src[:, :, 0] = 100 # 取三维矩阵中第三维的所有数据
cv.namedWindow("single", cv.WINDOW_NORMAL)
cv.imshow("single", src)

# 而在cv2.split()分离出的图像基础上，扩展另外两个通道，但另外两个通道值为0, 就可以得到下面这样的图像。
src = cv.imread("./static/image/blur.jpg")
b, g, r = cv.split(src) # 将彩色图像分割成3个通道
zeros = np.zeros(src.shape[:2], "uint8") # uint8: 无符号整数（0到255）
cv.namedWindow("Blue", cv.WINDOW_NORMAL)
cv.imshow("Blue", cv.merge([b, zeros, zeros]))

cv.namedWindow("Green", cv.WINDOW_NORMAL)
cv.imshow("Green", cv.merge([zeros, g, zeros]))

cv.namedWindow("Red", cv.WINDOW_NORMAL)
cv.imshow("Red", cv.merge([zeros, zeros, r]))

# img.shape[:2]取彩色图片的长、宽
# img.shape[:3]取彩色图片的长、宽、通道
# img.shape[0]图像的垂直尺寸（高度）
# img.shape[1]图像的水平尺寸（宽度）
# img.shape[2]图像的通道数
# 注：矩阵中，[0]表示行数，[1]表示列数

cv.waitKey(0)
cv.destroyAllWindows()

代码解释：

split() 将彩色图像分割成3个通道，分离出来的顺序是逆序的

我们都知道常规的彩色图片一般都是三个通道RGB，Red=红色、Green=绿色、Blue=蓝色（有些图片还有第四个通道A，Alpha=透明度）

对于一张图片有几个通道，只需要通过img.shape进行查看就行了，比如我们读取一张图片，然后打印它的shape值

发现该图片高度为800px，宽度为600px，一共有三个channel
img (800, 600, 3)

现在试着将三个通道拆开，并将三个图像分别展示出来
但是很奇怪，为什么三张图片都变成了灰度图片了呢？

其实从之前的认识中我们已经知道了，一个通道的图片都是灰度图片，三个通道的图片才是彩色图片，现在我们将一张三个通道的图片拆成了三张单个通道的图片，在展示的时候自然就都变成了灰度图片。

打印一下这三张图片的shape值看一下，确实都是单通道的

channels[0] (800, 600)
channels[1] (800, 600)
channels[2] (800, 600)

merge()通道合并

看来光分离三个通道是没有办法单独查看纯色的图片的，那么我们就需要将这三个单通道的图片补全成三通道的图片

这里可以将自身以外的通道都填充为0，可以使用numpy.zeros方法来初始化全为0的图片，然后将分离出的单通道去覆盖响应的通道

补充 zeros = np.zeros(src.shape[:2], “uint8”) 中的src.shape[:2]
uint8: 无符号整数（0到255）
src.shape[:2]取彩色图片的长、宽
src.shape[:3]取彩色图片的长、宽、通道
src.shape[0]图像的垂直尺寸（高度）
src.shape[1]图像的水平尺寸（宽度）
src.shape[2]图像的通道数
注：矩阵中，[0]表示行数，[1]表示列数

运行结果：