opencv色彩空间类型转换(python)

色彩空间类型转换

色彩模型是描述使用一组值（通常使用三个、四个值或者颜色成分）表示颜色方法的抽象数学模型。

比较常见的色彩空间包括:

• 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
• CIELab色彩空间
• CIELuv色彩空间
• Bayer色彩空间等

色彩空间类型转换是指，将图像从一个色彩空间转换到另外一个色彩空间。

在使用OpenCV处理图像时，可能会在RGB色彩空间和HSV色彩空间之间进行转换。

在进行图像的特征提取、距离计算时，往往先将图像从RGB色彩空间处理为灰度色彩空间。

在一些应用中，可能需要将色彩空间的图像转换为二值图像。

色彩空间也称为颜色空间、彩色空间、颜色模型、彩色系统、彩色模型、色彩模型等。

色彩空间基础

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

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

R=Gray
G=Gray
B=Gray

XYZ色彩空间

XYZ色彩空间是由CIE（International Commission on Illumination）定义的，是一种更便于计算的色彩空间，它可以与RGB色彩空间相互转换。

将RGB色彩空间转换为XYZ色彩空间，其转换形式为：

将XYZ色彩空间转换为RGB色彩空间，其转换形式为：

YCrCb色彩空间

人眼视觉系统（HVS, Human Visual System）对颜色的敏感度要低于对亮度的敏感度。

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

亮度给出了颜色亮或暗的程度信息，该信息可以通过照明中强度成分的加权和来计算。在RGB光源中，绿色分量的影响最大，蓝色分量的影响最小。

从RGB色彩空间到YCrCb色彩空间的转换公式为：

Y=0.299·R+0.587·G+0.114·B
Cr=（R-Y）×0.713+delta
Cb=（B-Y）×0.564+delta

式中delta的值为：

从YCrCb色彩空间到RGB色彩空间的转换公式为：

R=Y+1.403*（Cr-delta）
G=Y-0.714*（Cr-delta）-0.344·（Cb-delta）
B=Y+1.773*（Cb-delta）

式中，delta的值与上面公式中的delta值相同。

HSV色彩空间

RGB是从硬件的角度提出的颜色模型，在与人眼匹配的过程中可能存在一定的差异，HSV色彩空间是一种面向视觉感知的颜色模型

指出人眼的色彩知觉主要包含三要素：色调（Hue，也称为色相）、饱和度（Saturation）、亮度（Value）。

色调指光的颜色，饱和度是指色彩的深浅程度，亮度指人眼感受到的光的明暗程度。

● 色调：色调与混合光谱中的主要光波长相关，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。纯谱色是全饱和的，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有关。对于色彩来讲，如果在其中掺入的白色越多，则其亮度越高；如果在其中掺入的黑色越多，则其亮度越低。

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，色调的取值区间为[0, 360]

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。饱和度的值为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。

由上述公式计算可知：

S∈[0,1]
V∈[0,1]
H∈[0,360]

所有这些转换都被封装在OpenCV的cv2.cvtColor()函数内。通常情况下，我们都是直接调用该函数来完成色彩空间转换的，而不用考虑函数的内部实现细节。

HLS色彩空间

HLS色彩空间包含的三要素是色调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。

CIELab*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CIEL*a*b*色彩空间。具体实现方法为：

所得结果中各个值的取值范围为：

L∈[0,100]
a∈[-127,127]
b∈[-127,127

CIELuv*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。

从RGB色彩空间到CIEL*u*v*色彩空间的转换过程，要先转换到XYZ色彩空间。

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分别为：

L∈[0,100]
u∈[-134,220]
v∈[-140,122]

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4-1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。

该模式组成通过上图第二行中的第2列与第3列的值来指定。上图就是典型的“BG”模式。

常见的模式还有很多，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。

类型转换函数

在OpenCV内，使用cv2.cvtColor()函数实现色彩空间的变换。

该函数能够实现多个色彩空间之间的转换。

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。

对于一个标准的24位位图， BGR色彩空间中第1个8位（第1个字节）存储的是蓝色组成信息（Blue component），第2个8位（第2个字节）存储的是绿色组成信息（Green component），第3个8位（第3个字节）存储的是红色组成信息（Red component）。同样，其第4个、第5个、第6个字节分别存储蓝色、绿色、红色组成信息，以此类推。

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[0,65535]。
• 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。

说明：

• 对于8位图，其能够表示的灰度级有2⁸=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。
• 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CIELab*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。

类型转换实例

• 将BGR图像转换为灰度图像。

rst=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY）import cv2
import numpy as np
img=np.random.randint(0,256, size=[2,4,3], dtype=np.uint8)
rst=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
print("img=\n", img)
print("rst=\n", rst)
print("像素点(1,0)直接计算得到的值=",
img[1,0,0]*0.114+img[1,0,1]*0.587+img[1,0,2]*0.299)
print("像素点(1,0)使用公式cv2.cvtColor()转换值=", rst[1,0])

在OpenCV中，灰度图像是按照行列直接存储的。而BGR模式的图像会依次将它的B通道、G通道、R通道中的像素点，以行为单位按照顺序存储在ndarray的列中。

当图像由RGB色彩空间转换到GRAY色彩空间时，其处理方式如下：

Gray=0.299·R+0.587·G+0.114·B

• 将灰度图像转换为BGR图像

import cv2
import numpy as np
img=np.random.randint(0,256, size=[2,4], dtype=np.uint8)
rst=cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
print("img=\n", img)
print("rst=\n", rst)

当图像由GRAY色彩空间转换到RGB/BGR色彩空间时，最终所有通道的值都是相同的。其处理方式如下：

R=Gray
G=Gray
B=Gray

• 将图像在BGR和RGB模式之间相互转换

import cv2
import numpy as np
img=np.random.randint(0,256, size=[2,4,3], dtype=np.uint8)
rgb=cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
bgr=cv2.cvtColor(rgb, cv2.COLOR_RGB2BGR)
print("img=\n", img)
print("rgb=\n", rgb)
print("bgr=\n", bgr)

• 将图像在BGR模式和灰度图像之间相互转换

import cv2
lena=cv2.imread("lenacolor.png")
gray=cv2.cvtColor(lena, cv2.COLOR_BGR2GRAY)
rgb=cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)
#==========打印shape============
print("lena.shape=", lena.shape)
print("gray.shape=", gray.shape)
print("rgb.shape=", rgb.shape)
#==========显示效果============
cv2.imshow("lena", lena)
cv2.imshow("gray", gray)
cv2.imshow("rgb", rgb)
cv2.waitKey()
cv2.destroyAllWindows()

在通过“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。

• 图像从BGR模式转换为RGB模式

import cv2
lena=cv2.imread("lenacolor.png")
rgb = cv2.cvtColor(lena, cv2.COLOR_BGR2RGB)
cv2.imshow("lena", lena)
cv2.imshow("rgb", rgb)
cv2.waitKey()
cv2.destroyAllWindows()

HSV色彩空间讨论

通过HSV色彩空间，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）。

色调H

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28=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。

在HSV空间中，色调值为0表示红色，色调值为300表示品红色

每个色调值对应一个指定的色彩，而与饱和度和亮度无关。

在OpenCV中，将色调值除以2之后，会得到如下的色调值与对应的颜色。

饱和度S

饱和度值的范围是[0,1]

• 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。

cv2.cvtColor()函数，进行色彩空间转换后，为了适应8位图的256个像素级，需要将新色彩空间内的数值映射到[0,255]范围内。所以，同样要将饱和度S的值从[0,1]范围映射到[0,255]范围内。

亮度V

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。

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

例子

对蓝色、绿色、红色三种不同的颜色分别进行转换，将它们从BGR色彩空间转换到HSV色彩空间，并观察转换后所得到的HSV空间的对应值。

import cv2
import numpy as np
#=========测试一下OpenCV中蓝色的HSV模式值=============
imgBlue=np.zeros([1,1,3], dtype=np.uint8)
imgBlue[0,0,0]=255
Blue=imgBlue
BlueHSV=cv2.cvtColor(Blue, cv2.COLOR_BGR2HSV)
print("Blue=\n", Blue)
print("BlueHSV=\n", BlueHSV)
#=========测试一下OpenCV中绿色的HSV模式值=============
imgGreen=np.zeros([1,1,3], dtype=np.uint8)
imgGreen[0,0,1]=255
Green=imgGreen
GreenHSV=cv2.cvtColor(Green, cv2.COLOR_BGR2HSV)
print("Green=\n", Green)
print("GreenHSV=\n", GreenHSV)
#=========测试一下OpenCV中红色的HSV模式值=============
imgRed=np.zeros([1,1,3], dtype=np.uint8)
imgRed[0,0,2]=255
Red=imgRed
RedHSV=cv2.cvtColor(Red, cv2.COLOR_BGR2HSV)
print("Red=\n", Red)
print("RedHSV=\n", RedHSV)

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。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。

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。

可以将一幅图像内的其他颜色屏蔽，仅仅将特定颜色显示出来。

通过inRange函数锁定特定值
OpenCV中通过函数cv2.inRange()来判断图像内像素点的像素值是否在指定的范围内，其语法格式为：

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。

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 np
img=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)

返回的结果mask可以理解为一个掩码数组，其大小与原始数组一致。

通过基于掩码的按位与显示ROI
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。

• 提取一个颜色区间,该区间的半径通常为10左右
• 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。
• 各种颜色的HSV区间值分布在[H-10,100,100]和[H+10,255,255]之间。

import cv2
import numpy as np
opencv=cv2.imread("opencv.jpg")
hsv = cv2.cvtColor(opencv, cv2.COLOR_BGR2HSV)
cv2.imshow('opencv', opencv)
#=============指定蓝色值的范围=============
minBlue = np.array([110,50,50])
maxBlue = np.array([130,255,255])
#确定蓝色区域
mask = cv2.inRange(hsv, minBlue, maxBlue)
#通过掩码控制的按位与运算，锁定蓝色区域
blue = cv2.bitwise_and(opencv, opencv, mask= mask)
cv2.imshow('blue', blue)
#=============指定绿色值的范围=============
minGreen = np.array([50,50,50])
maxGreen = np.array([70,255,255])
#确定绿色区域
mask = cv2.inRange(hsv, minGreen, maxGreen)
#通过掩码控制的按位与运算，锁定绿色区域
green = cv2.bitwise_and(opencv, opencv, mask= mask)
cv2.imshow('green', green)
#=============指定红色值的范围=============
minRed = np.array([0,50,50])
maxRed = np.array([30,255,255])
#确定红色区域
mask = cv2.inRange(hsv, minRed, maxRed)
#通过掩码控制的按位与运算，锁定红色区域
red= cv2.bitwise_and(opencv, opencv, mask= mask)
cv2.imshow('red', red)
cv2.waitKey()
cv2.destroyAllWindows()

标记肤色

通过分析可以估算出肤色在HSV色彩空间内的范围值。在HSV空间内筛选出肤色范围内的值，即可将图像内包含肤色的部分提取出来。

import cv2
img=cv2.imread("lesson2.jpg")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v=cv2.split(hsv)
minHue=5
maxHue=170
hueMask=cv2.inRange(h, minHue, maxHue)
minSat=25
maxSat=166
satMask = cv2.inRange(s, minSat, maxSat)
mask = hueMask & satMask
roi = cv2.bitwise_and(img, img, mask= mask)
cv2.imshow("img", img)
cv2.imshow("ROI", roi)
cv2.waitKey()
cv2.destroyAllWindows()

实现艺术效果

在HSV色彩空间内进行分量值的调整能够生成一些有趣的效果

改变V通道的值，让其值均变为255，观察图像处理结果。

import cv2
img=cv2.imread("barbara.bmp")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v=cv2.split(hsv)
v[:, :]=255
newHSV=cv2.merge([h, s, v])
art = cv2.cvtColor(newHSV, cv2.COLOR_HSV2BGR)
cv2.imshow("img", img)
cv2.imshow("art", art)
cv2.waitKey()
cv2.destroyAllWindows()

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。

import cv2
import numpy as np
img=np.random.randint(0,256, size=[2,3,3], dtype=np.uint8)
bgra = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
print("img=\n", img)
print("bgra=\n", bgra)
b, g, r, a=cv2.split(bgra)
print("a=\n", a)
a[:, :]=125
bgra=cv2.merge([b, g, r, a])
print("bgra=\n", bgra)

使用语句bgra=cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)将img从BGR色彩空间转换到BGRA色彩空间。在转换后的BGRA色彩空间中，A是alpha通道，默认值为255。

对图像的alpha通道进行处理

import cv2
img=cv2.imread("lenacolor.png")
bgra = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
b, g, r, a=cv2.split(bgra)
a[:, :]=125
bgra125=cv2.merge([b, g, r, a])
a[:, :]=0
bgra0=cv2.merge([b, g, r, a])
cv2.imshow("img", img)
cv2.imshow("bgra", bgra)
cv2.imshow("bgra125", bgra125)
cv2.imshow("bgra0", bgra0)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite("bgra.png", bgra)
cv2.imwrite("bgra125.png", bgra125)
cv2.imwrite("bgra0.png", bgra0)

各个图像的alpha通道值虽然不同，但是在显示时是没有差别的。

打开当前文件夹，可以看到当前文件夹下保存了三幅图像，有差别。

需要注意，在图像bgra0处于预览模式时，看起来可能是一幅黑色的图像，将其打开后就会看到它实际上是纯色透明的。