OpenCV笔记之六（4）——图像处理之颜色通道拆分、合并及颜色空间
5.通道拆分与合并
我们都知道，一张彩色图像一般由R、G、B三个通道组成，通过对NumPy数组的索引我们可以轻易地获取到这些通道的值，那该如何对颜色通道进行拆分来分别提取这三个分量呢？opencv中提供了split函数专门为此服务。
此外，对于三个单独的R、G、B颜色通道，我们可以借助merge函数来对它们进行合并来合成一张RGB彩色图像。
Practical Python and OpenCV, 3rd Edition 的随书代码中给出了一份简单的示例。
a.源代码呈现
splitting_and_merging.py
# USAGE
# python splitting_and_merging.py --image ../images/wave.png
# Import the necessary packages
import numpy as np
import argparse
import cv2
# Construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True,
help = "Path to the image")
args = vars(ap.parse_args())
# Load the image and grab each channel: Red, Green, and Blue
# NOTE: OpenCV stores an image as NumPy array with its
# channels in reverse order! When we call cv2.split, we are
# actually getting the channels as Blue, Green, Red!
image = cv2.imread(args["image"])
(B, G, R) = cv2.split(image)
# Show each channel individually
cv2.imshow("Red", R)
cv2.imshow("Green", G)
cv2.imshow("Blue", B)
cv2.waitKey(0)
# Merge the image back together again
merged = cv2.merge([B, G, R])
cv2.imshow("Merged", merged)
cv2.waitKey(0)
cv2.destroyAllWindows()
# Now, let's visualize each channel in color
zeros = np.zeros(image.shape[:2], dtype = "uint8")
cv2.imshow("Red", cv2.merge([zeros, zeros, R]))
cv2.imshow("Green", cv2.merge([zeros, G, zeros]))
cv2.imshow("Blue", cv2.merge([B, zeros, zeros]))
cv2.waitKey(0)
b.代码分析
通道拆分
Line 20-26
借助cv2.split函数将图像的颜色通道分别拆分为B、G、R三个通道并分别显示。【由于是单通道，以灰度图形式呈现】
运行结果如下表所示。
 |
 |
 |
|---|---|---|
| Red | Green | Blue |
通过单通道的图片显示，不难发现，相较于绿色和蓝色通道，红色通道显示的图片整体偏暗。这也不难解释，海浪几乎不存在红色，而相对来说更多呈现的是青蓝色，因此蓝色通道的图片是最亮的。
通道合并
Line 29-31
借助cv2.merge函数重新将该3个通道进行合并，检验是否呈现为原先的彩色RGB图片。
Line 32
清除所有已显示的图像，以便下一步工作。
接下来我们借助merge函数来呈现单色图片，这将让我们更深刻地理解颜色通道的概念。
Line 35-39
为了呈现单色图片，则只需将其他的颜色通道都置0。例如：若想要显示为红色图片，则我们只需关注R通道像素的亮度值，而忽略其他颜色通道的像素值。
首先，建立一个图像大小的全零矩阵，并分别将该矩阵分给G通道和B通道，并由merge函数与R通道合并。则绿色和蓝色完全不显示，只呈现红色图像。若要显示为绿色和蓝色图像则同理。
运行代码后的结果如下表所示。
 |
 |
 |
|---|---|---|
| Red | Green | Blue |
6.颜色空间
（1）彩色图像处理
彩色光源的质量通常 由3 个基本量描述：辐射度 【光源流出总能量，通常以瓦特(W)为单位】、照度【观察者从光源感知到的能量度量，以流明(lm)为单位】 和亮度。
而区分颜色通常有3个特征：亮度、色调和饱和度。
亮度是一个主观描述的概念，实际无法度量。
色调是与混合光波中主波长相关的属性。平日里我们常说的红色、黄色就是指色调。
饱和度指的其实就是色彩的纯度。色彩中白光的比例越高，色彩饱和度越低，色彩显得越黯淡；反之则较鲜艳。纯光谱的颜色就是完全饱和的。
通常我们将色调和饱和度一起称为色度。因此一种颜色可以简单地用亮度和色度来描述。
（2）颜色空间
为了方便准确地指定某种具体的颜色，我们引入了颜色空间。常见的颜色空间有RGB、CMY、HSV、HSI、L*a*b*等。
通常为人所知的是由红、绿、蓝三原色组成的RGB颜色空间。
如图所示，RGB色彩空间是基于笛卡尔坐标系的，RGB主值位于三个角。每个像素的位数称为像素深度，RGB空间中红、绿、蓝图像分别是一个8位图像（表示每种原色可以分为2^8 = 256个等级），因此每个RGB彩色像素的深度为24位，即总共可以表示2^24 = 16777216种颜色。
RGB颜色空间非常易于理解，但是不适合人类解释。例如：它不能给出每个主色的百分比来指示一个物体的颜色。而先前提到，人类观察一个彩色物体，通常通过色度、饱和度和亮度来描述。
而HSI【色调(H)、饱和度(S)、强度(I)】和HSV【色调(H)、饱和度(S)、值(V)】颜色空间则能够很直观地表现出某一种颜色或颜色区间，但是通常对人类视觉不那么友好。
L*a*b*颜色空间则试图模仿人类看到和解释颜色的方法。这意味着L*a*b*颜色空间中任意两种颜色之间的欧几里得距离具有实际的感知意义，这使得L*a*b*颜色空间比RGB或HSV更不直观但更容易理解。但由于感知意义属性的增加，我们经常在计算机视觉中使用它。例如，我们可以应用L*a*b*空间和k均值聚类算法来寻找图像中的主色调。我们还可以借此对颜色进行量化，从而减少图像中的色彩总数。
接下来看一下书上的示例，来了解如何利用opencv对颜色空间进行转换。
（3）源码实例
a.源代码呈现
colorspaces.py
# USAGE
# python colorspaces.py --image ../images/beach.png
# Import the necessary packages
import numpy as np
import argparse
import cv2
# Construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True,
help = "Path to the image")
args = vars(ap.parse_args())
# Load the image and show it
image = cv2.imread(args["image"])
cv2.imshow("Original", image)
# Convert the image to grayscale
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray", gray)
# Convert the image to the HSV (Hue, Saturation, Value)
# color spaces
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2.imshow("HSV", hsv)
# Convert the image to the L*a*b* color spaces
lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
cv2.imshow("L*a*b*", lab)
cv2.waitKey(0)
b.代码分析
Line 20-21
将RGB彩色图像转换为灰度图。一幅灰度图的像素深度是8位。0表示最暗的黑色，255表示最亮的白色。
Line 25-26
将RGB彩色图像转换为HSV图像。
Line 29-30
将RGB彩色图像转换为L*a*b*图像。
c.运行结果
