python中颜色空间直方图_OpenCV—python 颜色空间（RGB，HSV，Lab）与 颜色直方图

一、图像分类的过程

image.png

图片必须经过标注

图片的类别为有限的集合，如{猫、狗、牛、马、狼}

每个类别的图片数量接近，如果不同类别图片的数量差异很大，训练出来的分类器容易倾向于图片数量多的类别

划分训练/测试集

在训练之前，要把数据集划分为训练集(学习分类器)和测试集(对分类器进行评估)

训练集和测试集相互独立，不重合！

3.特征表示 ：对图片进行数值处理，转换成计算机可理解的特征，常用特征：

颜色直方图(Color Histograms)

方向梯度直方图(Histogram of Oriented Gradients，HOG)

局部二值模式(Local Binary Pattern，LBP)

分类算法 ：一般分类算法即可：逻辑回归，支持向量机(SVM)，随机森林

模型评估 ： 混淆矩阵(Confusion Matrix)

精确度(Precision)

召回率(Recall)

F1值(F1 score) recall与Precision的调和均值

二、开发环境：(安装)OpenCV 计算机视觉库

安装：

方法1：conda install -c menpo opencv

方法2：conda install --channel https://conda.anaconda.org/menpo opencv3

方法3：pip/conda install opencv-python

方法4：使用 whl 文件进行安装，进入网站 http://www.lfd.uci.edu/~gohlke/pythonlibs/。

下载与当前环境兼容的 opencv 文件。切换到该文件所在的目录，在命令行环境下使用

例如：安装文件：opencv_python-3.2.0-cp35-cp35m-win_amd64.whl

pip install opencv_python-3.2.0-cp35-cp35m-win_amd64.whl

opencv 的导入：

import cv2

cv2.__version__

OpenCV的使用

在线文档：http://docs.opencv.org/2.4.11/

三、颜色空间(颜色模型：RGB，HSV，Lab)

RGB颜色空间有：

RGB :模型容易理解，连续变换颜色时不直观

(红red 绿green 蓝blue)三原色：取值范围都是：[0,255],[0,255],[0,255]

HSV: 是为了数字化图像提出来了，不能很好的表示人眼解释图像过程

H (Hue)色相:[0,360]

S (Saturation)饱和度，即色彩纯净度，0饱和度为白色

V (Value/Brightness):明度 0明度为纯黑色

在OpenCV中，颜色范围：

H = [0,179]

S = [0,255]

V = [0,255]

Lab：颜色之间的欧式距离有具体含义–距离越大，人眼感官两种颜色差距越远

L 通道：像素亮度，上白下黑 中间灰

a 通道：左绿 右红

b 通道：一端纯蓝，一端纯黄

灰度图：每个像素[0,255]

根据人眼敏感度，把RGB图片转换为灰度图，不是简单把RGB每个通道取平均值

而是：Y = 0.299R + 0.587G + 0.114*B

image.png

3.1 opencv–HSV颜色空间

HSV(hue,saturation,value)颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1. 它包含RGB模型中的R=1，G=1，B=1 三个面，所代表的颜色较亮。

色彩H由绕V轴的旋转角给定。红色对应于 角度0° ，绿色对应于角度120°，蓝色对应于角度240°。

在HSV颜色模型中，每一种颜色和它的补色相差180° 。 饱和度S取值从0到1，所以圆锥顶面的半径为１。

在圆锥的顶点(即原点)处V=0，H和S无定义， 代表黑色。

圆锥的顶面中心处 S=0，V=1,H无定义，代表白色。

从该点到原点代表亮度渐暗的灰色，即具有不同 灰度的灰色。

对于这些点，S=0,H的值无定义。可以说，HSV模型中的V轴对应于RGB颜色空间中的主对角线。 在圆锥顶面的圆周上的颜色，V=1，S=1,这种颜色是纯色。

HSV颜色空间它锥形的钻换模型中可以理解到： hue 通道的取值范围就应该是 0-360度，单数在opencv中其取值范围 [0,180]。

image.png

在opencv-hsv取值详情如下：

image.png

颜色库：

image.png

image.png

原本输出的 HSV 的取值范围分别是 0-360， 0-1， 0-1；但是为了匹配目标数据类型 OpenCV 将每个通道的取值范围都做了修改，于是就变成了 0-180， 0-255， 0-255，并且同时解释道：为了适应 8bit 0-255 的取值范围，将 hue 通道 0-360 的取值范围做了减半处理

四、OpenCV处理图片

4.1 直接读取图片

import cv2 #导入 Opencv

import os

import numpy as np

import matplotlib.pyplot as plt

output_dir = 'output2' #设置输出文件夹，若不存在则创建

if not os.path.exists(output_dir):

os.mkdir(output_dir)

img_file = './../image.png' #读取图片

img = cv2.imread(img_file)

type(img) #读入图片后得到ndarray 对象

img.shape #ndarray的三个维度分别是图片的：高，宽，通道

# pyplot.imgshow 在显示图片时是按照RGB通道顺序显示，cv2则相反

# 需要通过 np.flip(img,axis = 2) 调整3个通道的顺序(若不调整图片颜色失真)

plt.imshow(np.flip(img,axis = 2))

plt.axis('off')

plt.show() #图1

plt.imshow(img)

plt.axis('off') #不显示坐标

plt.show() #图2

#输出并保存图片

output_image = os.path.join(output_dir,'image.png')

cv2.imwrite(output_image,img)

image.png

4.2 读取图片并简单处理—图像特征：颜色直方图

OpenCV-Python中调用的直方图计算函数为cv2.calcHist。

"""

hist = cv2.calcHist([image], # 传入图像(列表)

[0], # 使用的通道(使用通道：可选[0],[1],[2])

None, # 没有使用mask(蒙版)

[256], # HistSize

[0.0,255.0]) # 直方图柱的范围

# return->list

"""

import cv2

import numpy as np

import matplotlib.pyplot as plt

def calcAndDrawHist(image, color):

hist= cv2.calcHist([image], [0], None, [256], [0.0,255.0])

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

histImg = np.zeros([256,256,3], np.uint8)

hpt = int(0.9* 256);

for h in range(256):

intensity = int(hist[h]*hpt/maxVal)

cv2.line(histImg,(h,256), (h,256-intensity), color)

return histImg

if __name__ == '__main__':

original_img = cv2.imread("666.png")

img = cv2.resize(original_img,None,fx=0.6,fy=0.6,interpolation = cv2.INTER_CUBIC)

b, g, r = cv2.split(img)

histImgB = calcAndDrawHist(b, [255, 0, 0])

histImgG = calcAndDrawHist(g, [0, 255, 0])

histImgR = calcAndDrawHist(r, [0, 0, 255])

cv2.imshow("histImgB", histImgB)

cv2.imshow("histImgG", histImgG)

cv2.imshow("histImgR", histImgR)

cv2.imshow("Img", img)

cv2.waitKey(0)

cv2.destroyAllWindows()

image.png

颜色空间 RGB–HSV–Lab

RGB颜色空间

import cv2

import numpy as np

from matplotlib import pyplot as plt

%matplotlib inline

pic_file = '../data/images/image_crocus_0003.png'

img_bgr = cv2.imread(pic_file, cv2.IMREAD_COLOR) #OpenCV读取颜色顺序：BGR

img_b = img_bgr[..., 0]

img_g = img_bgr[..., 1]

img_r = img_bgr[..., 2]

fig = plt.gcf() #图片详细信息

fig = plt.gcf() #分通道显示图片

fig.set_size_inches(10, 15)

plt.subplot(221)

plt.imshow(np.flip(img_bgr, axis=2)) #展平图像数组并显示

plt.axis('off')

plt.title('Image')

plt.subplot(222)

plt.imshow(img_r, cmap='gray')

plt.axis('off')

plt.title('R')

plt.subplot(223)

plt.imshow(img_g, cmap='gray')

plt.axis('off')

plt.title('G')

plt.subplot(224)

plt.imshow(img_b, cmap='gray')

plt.axis('off')

plt.title('B')

plt.show()

image.png

HSV颜色空间

img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

img_h = img_hsv[..., 0]

img_s = img_hsv[..., 1]

img_v = img_hsv[..., 2]

fig = plt.gcf() # 分通道显示图片

fig.set_size_inches(10, 15)

plt.subplot(221)

plt.imshow(img_hsv)

plt.axis('off')

plt.title('HSV')

plt.subplot(222)

plt.imshow(img_h, cmap='gray')

plt.axis('off')

plt.title('H')

plt.subplot(223)

plt.imshow(img_s, cmap='gray')

plt.axis('off')

plt.title('S')

plt.subplot(224)

plt.imshow(img_v, cmap='gray')

plt.axis('off')

plt.title('V')

plt.show()

image.png

Lab*颜色空间

img_lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)

img_ls = img_lab[..., 0]

img_as = img_lab[..., 1]

img_bs = img_lab[..., 2]

# 分通道显示图片

fig = plt.gcf()

fig.set_size_inches(10, 15)

plt.subplot(221)

plt.imshow(img_lab)

plt.axis('off')

plt.title('L*a*b*')

plt.subplot(222)

plt.imshow(img_ls, cmap='gray')

plt.axis('off')

plt.title('L*')

plt.subplot(223)

plt.imshow(img_as, cmap='gray')

plt.axis('off')

plt.title('a*')

plt.subplot(224)

plt.imshow(img_bs, cmap='gray')

plt.axis('off')

plt.title('b*')

plt.show()

image.png

灰度图与其颜色直方图

img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

fig = plt.gcf()

fig.set_size_inches(5, 7.5)

plt.imshow(img_gray, cmap='gray')

plt.axis('off')

plt.title('Gray')

plt.show()

"""

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]]) → hist

参数说明

images: 图片列表

channels: 需要计算直方图的通道。[0]表示计算通道0的直方图，[0,1,2]表示计算通道0,1,2所表示颜色的直方图

mask: 蒙版，只计算值>0的位置上像素的颜色直方图，取None表示无蒙版

histSize: 每个维度上直方图的大小，[8]表示把通道0的颜色取值等分为8份后计算直方图

ranges: 每个维度的取值范围，[lower0, upper0, lower1, upper1, ...]，lower可以取到，upper无法取到

hist: 保存结果的ndarray对象

accumulate: 是否累积，如果设置了这个值，hist不会被清零，直方图结果直接累积到hist中

"""

img_gray_hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256])

plt.plot(img_gray_hist)

plt.title('Grayscale Histogram')

plt.xlabel('Bins')

plt.ylabel('# of Pixels')

plt.show()

image.png

带蒙版的颜色直方图

# 读取模板

mask_file = '../data/masks/mask_crocus_0003.png'

mask = cv2.imread(mask_file, cv2.IMREAD_UNCHANGED)

help(cv2.calcHist)

img_gray_hist_with_mask = cv2.calcHist([img_gray], [0], mask, [256], [0, 256])

"""

图片按位与

cv2.bitwise_and(src1, src2[, dst[, mask]]) → dst

参数说明

src1: 图片1

src2: 图片2

dst: 保存结果的ndarray对象

mask: 蒙版

"""

img_masked = cv2.bitwise_and(img_gray, img_gray, mask=mask)

plt.imshow(img_masked, cmap='gray')

plt.axis('off')

plt.title('Image with mask')

plt.show()

plt.plot(img_gray_hist_with_mask)

plt.title('Grayscale Histogram')

plt.xlabel('Bins')

plt.ylabel('# of Pixels')

plt.show()

image.png

多个颜色直方图

# 按R、G、B三个通道分别计算颜色直方图

b_hist = cv2.calcHist([img_bgr], [0], None, [256], [0, 256])

g_hist = cv2.calcHist([img_bgr], [1], None, [256], [0, 256])

r_hist = cv2.calcHist([img_bgr], [2], None, [256], [0, 256])

# 显示3个通道的颜色直方图

plt.plot(b_hist, label='B', color='blue')

plt.plot(g_hist, label='G', color='green')

plt.plot(r_hist, label='R', color='red')

plt.legend(loc='best')

plt.xlim([0, 256])

plt.show()

# 显示3个通道的颜色直方图

plt.plot(b_hist, label='B', color='blue')

plt.plot(g_hist, label='G', color='green')

plt.plot(r_hist, label='R', color='red')

plt.legend(loc='best')

plt.xlim([0, 256])

plt.show()

image.png

按多个通道计算颜色直方图

关于直方图均衡详情 请点击

# 把一个像素的多个通道合在一起看作一个值

hist = cv2.calcHist([img_bgr], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256])

hist.shape

# 含义：B取值在[0, 32), G取值在[0, 32), R取值在[0, 32)的像素个数

hist[0, 0, 0]