数字图像处理知识点梳理——第六章 彩色图像处理

引言

彩色图像处理可分为两个主要领域：全彩色处理和伪彩色处理。
全彩色图像处理通常要求图像用全彩色传感器获取，如彩色电视摄像机或彩色扫描仪。
伪彩色处理是对于一种特定的单色灰度或灰度范围赋予一种颜色。

彩色基础

为标准化目的定义了三原色，他们的波长是：蓝色=435.8nm，绿色=546.1nm，红色=700nm。原色相加可以产生二次色，以正确的亮度把三原色或把与二次色相对应的原色混合，即可产生白光。
用来描述彩色光源的三个基本量是辐射、光强和亮度。如果光是无色的，它的属性仅仅是亮度或者数值，我们就提出了一个定义——灰度级，灰度级仅提供了一个亮度的标量度量，它的范围从黑色到灰色最终到白色。灰度Y=0.299R+0.587G+0.114B

• 光的原色与颜料或着色剂的原色之间的区别：后者被定义为减去或吸收光的一种原色，并反射或传输另外两种原色。

通常以区别不同颜色特性的是亮度、色调和饱和度。
亮度表达了无色的强度概念；
色调是光波混合中与主波长有关的属性，是观察者感知的主要颜色；
饱和度指相对的纯净度或一种颜色混合白光的数量。
色调与饱和度一起称为色度。

1、彩色模型

RGB彩色模型

每一幅红、绿、蓝图像都是一幅8比特图像，每个像素的比特数称为像素深度。可以说每个RGB彩色像素有24比特的深度，全彩色图像的颜色总数为 (2⁸)³=16777216

CMY和CMYK彩色模型

输入CMY数据或在内部进行RGB到CMY的转换
$\left[\begin{array}{c}C\\ M\\ Y\end{array}\right]=\left[\begin{array}{c}1\\ 1\\ 1\end{array}\right]-\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$
这种彩色模型主要用于产生硬拷贝输出，因此CMY到RGB的反向操作通常没有实际意义。
为了生成真正的黑色，加入了第四种颜色——黑色，于是提出了CMYK彩色模型。

HSI彩色模型

HSI模型包括色调、饱和度、强度，它可在彩色图像中从携带的彩色信息（色调和饱和度）中消去强度分量的影响，是开发基于彩色描述的图像处理算法的理想工具。

一种颜色的饱和度（纯度）以强度轴的距离为函数而增大。事实上，强度轴上点的饱和度为零，事实证明沿着这条轴线的所有点都是灰度。

• RGB到HSI的彩色转换（非线性变换）
  $$H=\{\begin{array}{ll}\theta ,& \text{B≤G}\\ 360-\theta ,& \text{B>G}\end{array}$$$$(其中\theta =arccos\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{[(R-G{)}^2+(R-B)(G-B{)}^{1/2}]}\})$$
  $$S=1-\frac{3}{(R+B+G)}[min(R,B,G)]$$
  $$I=\frac{1}{3}(R+G+B)$$
  
  RGB向HSI模型的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。基本要求是将RGB中的亮度因素分离，通常用色度来表示颜色的类别与深浅程度。

import cv2
import numpy as np

def rgbtohsi(rgb_lwpImg):
    rows = int(rgb_lwpImg.shape[0])
    cols = int(rgb_lwpImg.shape[1])
    b, g, r = cv2.split(rgb_lwpImg)
    # 归一化到[0,1]
    b = b / 255.0
    g = g / 255.0
    r = r / 255.0
    hsi_lwpImg = rgb_lwpImg.copy()
    H, S, I = cv2.split(hsi_lwpImg)
    for i in range(rows):
        for j in range(cols):
            num = 0.5 * ((r[i, j]-g[i, j])+(r[i, j]-b[i, j]))
            den = np.sqrt((r[i, j]-g[i, j])**2+(r[i, j]-b[i, j])*(g[i, j]-b[i, j]))
            theta = float(np.arccos(num/den))

            if den == 0:
                    H = 0
            elif b[i, j] <= g[i, j]:
                H = theta
            else:
                H = 2*3.14169265 - theta

            min_RGB = min(min(b[i, j], g[i, j]), r[i, j])
            sum = b[i, j]+g[i, j]+r[i, j]
            if sum == 0:
                S = 0
            else:
                S = 1 - 3*min_RGB/sum

            H = H/(2*3.14159265)
            I = sum/3.0
            # 输出HSI图像，扩充到255以方便显示，一般H分量在[0,2pi]之间，S和I在[0,1]之间
            hsi_lwpImg[i, j, 0] = H*255
            hsi_lwpImg[i, j, 1] = S*255
            hsi_lwpImg[i, j, 2] = I*255
    return hsi_lwpImg
if __name__ == '__main__':
    rgb_lwpImg = cv2.imread("C:/Users/13121/Desktop/d.jpg")
    hsi_lwpImg = rgbtohsi(rgb_lwpImg)

    cv2.imshow('Original', rgb_lwpImg)
    cv2.imshow('HSI', hsi_lwpImg)

    key = cv2.waitKey(0) & 0xFF
    if key == ord('q'):
        cv2.destroyAllWindows()

• HSI到RGB的彩色变换
  RG扇区（0°≤H<120°）：
  $B=I(1-S)$
  $R=I[1+\frac{ScosH}{cos(60°-H)}]$
  $G=3I-(R+B)$
  GB扇区（120°≤H<240°）：
  $H=H-120°$
  $R=I(1-S)$
  $G=I[1+\frac{ScosH}{cos(60°-H)}]$
  $B=3I-(R+G)$
  BR扇区（240°≤H＜360°）：
  $H=H-240°$
  $G=I(1-S)$
  $B=I[1+\frac{ScosH}{cos(60°-H)}]$
  $R=3I-(G+B)$

2、伪色彩图像处理

灰度分层

灰度分层和彩色编码技术是伪色彩图像处理的最简单的例子之一。

对平面的每一侧赋以不同的颜色，平面上的任何灰度级的像素将编码成一种彩色，该平面下的任何像素将编码成另一种颜色，位于平面上的灰度级本身被任意赋以两种彩色之一。

import cv2
import imutils
import numpy as np

# 在某一范围(A, B)突出灰度，其他灰度值保持不变
image = cv2.imread('C:/Users/13121/Desktop/d.jpg')
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

r_left, r_right = 150, 230
r_min, r_max = 0, 255
level_img = np.zeros((gray_img.shape[0], gray_img.shape[1]), dtype=np.uint8)
for i in range(gray_img.shape[0]):
    for j in range(gray_img.shape[1]):
        if r_left <= gray_img[i, j] <= r_right:
            level_img[i, j] = r_max
        else:
            level_img[i, j] = gray_img[i, j]

cv2.imshow('origin image', imutils.resize(image, 480))
cv2.imshow('level image', imutils.resize(level_img, 480))
if cv2.waitKey(0) == 27:
    cv2.destroyAllWindows()

如果所寻找的确切的灰度值或值域是已知的，则灰度分层在可视化方面是简单而有力的辅助手段，特别是涉及大量图像时更是如此。

灰度到彩色的变换

伪色彩图像处理是指基于一种指定的规则对灰度值赋以颜色的处理，主要应用是人目视观察和解释单幅图像或序列图像中的灰度级事件。

import numpy as np
import cv2
import matplotlib.pyplot as graph
 
#图片的路径
imgname = "C:/Users/13121/Desktop/2.png"
img1=cv2.imread(imgname)
graph.subplot(121)
graph.xticks([])
graph.yticks([])
graph.imshow(img1)
image = cv2.imread(imgname, cv2.IMREAD_GRAYSCALE)
graph.subplot(122)
graph.xticks([])
graph.yticks([])
graph.imshow(image) 

全彩色图像处理基础

全彩色图像处理方法分为两大类。第一类是分别处理过的分量图像来形成一幅处理过的合成彩色图像；第二类是直接处理彩色像素。
为了使每种色彩分量处理和基于向量的处理等同，必须满足两个条件之一：第一，处理必须对向量和标量都可用；第二，对向量的每一分量的操作对于其他分量必须是独立的。

3、彩色变换

$g(x,y)=T[f(x,y)]$作为彩色变换的模型，这里$f(x,y)$是彩色输入图像，$g(x,y)$是变换后或处理过的彩色输出图像，$T$是在$(x,y)$的空间邻域上对$f$的一个算子。

import numpy as np
import cv2
import matplotlib.pyplot as graph

image = cv2.imread("C:/Users/13121/Desktop/d.jpg")
#R、G、B分量的提取
(B,G,R) = cv2.split(image)# 通道分解提取R、G、B分量
BH = cv2.equalizeHist(B) # 对b分量进行均衡化
GH = cv2.blur(G, (5,5)) # 对b分量进行均值滤波化
RH = cv2.medianBlur(R,5)# 对b分量进行中值滤波化

titles = ['Original', 'Red','Green',"Blue"]
images = [image,BH,GH,RH]
for i in range(4):
   graph.subplot(1,4,i+1)
   graph.imshow(images[i], 'gray')
   graph.title(titles[i])
   graph.xticks([])
   graph.yticks([])
graph.show()

补色：
补色对于增强嵌在彩色图像暗区的细节很有用——特别是区域在大小上不占优势时。
计算的补色使人想到通常照片的彩色底片，补色图像中的每种色调都用彩色环由原图像预测，且涉及补色计算的每个RGB分量变换仅是对应的输入彩色分量的一个函数。

4、平滑

邻域平均平滑可以在每个彩色平面的基础上执行，其结果与使用RGB彩色向量执行平均是相同的。

可以看出平滑处理使得图像变得模糊了。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 显示函数
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
img = cv2.imread('C:/Users/13121/Desktop/d.jpg')
blur = cv2.blur(img, (5, 5))
res = np.hstack((img, blur))
cv_show('res', res)

5、基于彩色的图像分割

可以将低于（或高于）某一阈值的图像部分分割出来。具体内容会在第十章涉及到。

from skimage import io,img_as_ubyte
from skimage.color import rgb2gray
from skimage.morphology import opening,disk
import numpy as np
import matplotlib.pyplot as plt
 
# 读取彩色图像，并将图像类型设置为8位（0-255）
img = img_as_ubyte(io.imread('C:/Users/13121/Desktop/6.jpg'))
# 转换成灰度图像（类型自动转为0~1或-1~1），并将图像类型设置为8位
img_gray = img_as_ubyte(rgb2gray(img))
 
# 读取灰度图像的高h和宽w
h,w = img_gray.shape
# print(img_gray)
 
# 设置阈值
segm1 = (img_gray<80)
# print(segm1)
 
# 开运算
kernel = disk(10)   
img_opening = opening(segm1,kernel)
# 将单通道阈值，转为RGB通道的阈值
segm = np.tile(img_opening.reshape(h,w,1),3)
 
# 复制一份彩色图像
img1 = img.copy()
# 掩膜操作
img1[segm] = 0
 
# 显示图像
plt.figure(figsize=(10,8),dpi=80)
plt.subplot(121)
plt.imshow(img)
plt.xlabel("原图像",fontproperties='SimHei')
plt.xticks([])
plt.yticks([])
plt.subplot(122)
plt.imshow(img1)
plt.xlabel("阈值分割结果",fontproperties='SimHei')
plt.xticks([])
plt.yticks([])
plt.show()

总结

本章学习的彩色图像处理，首先学习的是彩色模型，在彩色模型中，我们常用到的是RGB颜色模型和HSI颜色模型。HSI模型在后续的图像处理方面用的会更多一点，它能够显示图像的色调、饱和度和强度，可以和图像分割结合在一起，对图像的相应阈值内的部分进行处理。其次学习的伪色彩图像处理，它能够将我们得到的灰度图转换为彩色图像，对于医学方面会有很大的作用，热度图也会有所涉及。