OpenCV4【6】-颜色空间

opencv 中有几百种颜色空间，可通过如下方式获取；

flags = [i for i in dir(cv) if i.startswith('COLOR')]
print(len(flags))       # 296 种

其中最常用的是 gray 和 hsv 空间；

颜色空间转换

opencv 默认读取图片是 BGR 空间，使用 cvtColor 转换到其他空间

def cvtColor(src, code, dst=None, dstCn=None)

code 表示转换方式

示例

### BGR --> GRAY
img = cv.imread('imgs/2.png')
img_gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
cv.imshow('img', img)
cv.imshow('gray', img_gray)
cv.waitKey(0)

### BGR --> HSV
img = cv.imread('imgs/2.png')
img_hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)
cv.imshow('img', img)
cv.imshow('hsv', img_hsv)
cv.waitKey(0)

HSV 空间

在 RGB 空间中，颜色会受到光照影响，且 3个通道也会彼此影响，无法准确描述像素；

在 HSV 空间中，三者相互独立，可准确描述像素的 亮度、饱和度、色调

H（色调）：用角度度量，取值范围为0°～360°　　颜色的深浅

S（饱和度，深度）：表示颜色接近光谱色的程度。通常取值范围为0%～100%，值越大，颜色越饱和。　　颜色的分离被定义为饱和度

V（明度）：表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。

1. 在HSV中比在BGR颜色空间中更容易表示颜色；

2. HSV对外部照明的微小变化更敏感。它将提供更准确的掩膜，从而获得更好的结果。

============== 2023.2.22 更新 ==============

原图，色度，饱和度，亮度

tricks

1. 在HSV域对V分量使用gamma校正改善亮度问题、或者使用直方图均衡处理V通道提高图像对比度，然后再合并

============== ============== ==============

YCrCb颜色空间

自适应直方图均衡化（CLAHE）可以应用于彩色图像。通常的做法是将彩色图像从 RGB颜色空间转换到其他颜色空间（如YUV、YCrCb 或 LAB)，然后仅对亮度通道（通常是 Y 通道）应用 CLAHE，最后再将图像转换回 RGB 颜色空间。

这样可以避免在增强亮度的同时影响颜色平衡。

以下是一个示例代码，展示如何在OpenCV 中对彩色图像应用CLAHE:

import cv2
＃读取彩色图像
image = cv2.imread('input_image.jpg'
＃将图像从 BGR 转换为 YCrCb颜色空间
yuv_image = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
离r通道
y,cr,cb= cv2.split(yuv_image)
＃创建CLAHE 对象
Clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
＃应用 CLAHE 到高度通道 Y
cl y=clahe.apply(y)
# 合并处理后的 Y 通道和原始 Cr、Cb 通道
cl_yuv_image -cv2.merge([cl_y,cr,cb])
＃将图像从 YCrCb 转换回 BGR 颜色空间
cl_image = cv2.cvtColor(cl_yuv_image, cv2.COLOR_YCrCb28GR)
＃显示结果
Cv2.imshow('Original Image',image)
CV2.imshow('CLAHE Enhanced Image',cl_image)
cv2.waitkey(0)
cv2.destroyAllWindows()

YCrCb:Y 通道表示亮度，Cr 和Cb 通道表示色度。对 Y 通道进行 CLAHE处理可以增强图像的亮度对比度，而不影响颜色。

LAB颜色空间

LAB:L通道表示亮度，A和B通道表示颜色。对L通道进行CLAHE 处理同样可以增强图像的亮度对比度，而不影响颜色。

import cv2
#读取彩色图像
image =cv2.imread('input_image.jpg')
#将图像从 BGR 转换为 LAB 颜色空间
lab_image = cv2.cvtColor(image,cv2.COLOR_BGR2LAB)
#分离 L、A、B通道
l,a,b=cv2.split(lab_image)
#创建 CLAHE 对象    
clahe =cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
#应用 CLAHE 到亮度通道L    
cl_1=clahe.apply(1)
#合并处理后的L通道和原始A、B通道    
c1_1ab_image =cv2.merge([cl_1,a,b])    

 #将图像从 LAB 转换回 BGR颜色空间    
cl_image = cv2.cvtColor(cl_1ab_image,cv2.COLOR_LAB2BGR)    
#显示结果    
cv2.imshow('Original Image',image)25
cv2.imshow('CLAHE Enhanced Image',cl_image) cv2.waitKey(0)
cv2.destroyA11Windows()

综合对比

将图像在RGB、灰度、HSV、LAB颜色空间进行对比展示的Python程序

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

# 设置中文显示（如果系统没有SimHei字体，可改用英文标签）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False


def show_color_spaces(image_path):
    """
    展示图像在 RGB、灰度、HSV、LAB 颜色空间下的对比图
    """
    # 1. 读取图像
    # OpenCV 默认读取为 BGR 格式
    img_bgr = cv2.imread(image_path)
    if img_bgr is None:
        raise FileNotFoundError(f"无法读取图像: {image_path}")

    # 2. 转换为不同颜色空间
    # BGR -> RGB
    img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

    # BGR -> 灰度
    img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

    # BGR -> HSV
    img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

    # BGR -> LAB
    img_lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)

    # 3. 将 HSV 和 LAB 分离通道用于可视化（单通道灰度图）
    h, s, v = cv2.split(img_hsv)
    l, a, b = cv2.split(img_lab)

    # 4. 创建对比图
    fig, axes = plt.subplots(2, 4, figsize=(18, 9))
    fig.suptitle('图像在不同颜色空间下的对比', fontsize=18, fontweight='bold')

    # 第一行：完整颜色空间
    axes[0, 0].imshow(img_rgb)
    axes[0, 0].set_title('RGB 空间')

    axes[0, 1].imshow(img_gray, cmap='gray')
    axes[0, 1].set_title('灰度空间 (Gray)')

    # HSV 和 LAB 可视化：需要转回 RGB 才能正确显示（因为 matplotlib 按 RGB 解释）
    img_hsv_display = cv2.cvtColor(img_hsv, cv2.COLOR_HSV2RGB)
    axes[0, 2].imshow(img_hsv_display)
    axes[0, 2].set_title('HSV 空间')

    img_lab_display = cv2.cvtColor(img_lab, cv2.COLOR_LAB2RGB)
    axes[0, 3].imshow(img_lab_display)
    axes[0, 3].set_title('LAB 空间')

    # 第二行：各通道分量
    axes[1, 0].imshow(img_rgb[:, :, 0], cmap='Reds')
    axes[1, 0].set_title('RGB - R 通道')

    axes[1, 1].imshow(h, cmap='hsv')
    axes[1, 1].set_title('HSV - H 通道 (色调)')

    axes[1, 2].imshow(a, cmap='coolwarm')
    axes[1, 2].set_title('LAB - A 通道 (绿-红)')

    axes[1, 3].imshow(b, cmap='coolwarm')
    axes[1, 3].set_title('LAB - B 通道 (蓝-黄)')

    # 去除坐标轴
    for ax in axes.flat:
        ax.axis('off')

    plt.tight_layout()
    plt.savefig('color_spaces_comparison.png', dpi=150, bbox_inches='tight')
    plt.show()
    print("对比图已保存为 color_spaces_comparison.png")


def show_side_by_side(image_path):
    """
    更简洁的 2x2 布局对比图
    """
    img_bgr = cv2.imread(image_path)
    if img_bgr is None:
        raise FileNotFoundError(f"无法读取图像: {image_path}")

    img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
    img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
    img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)
    img_lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)

    # 将 HSV、LAB 转回 RGB 用于显示
    img_hsv_display = cv2.cvtColor(img_hsv, cv2.COLOR_HSV2RGB)
    img_lab_display = cv2.cvtColor(img_lab, cv2.COLOR_LAB2RGB)

    fig, axes = plt.subplots(2, 2, figsize=(12, 10))
    fig.suptitle('RGB / 灰度 / HSV / LAB 对比', fontsize=16)

    axes[0, 0].imshow(img_rgb);        axes[0, 0].set_title('RGB')
    axes[0, 1].imshow(img_gray, cmap='gray'); axes[0, 1].set_title('灰度 Gray')
    axes[1, 0].imshow(img_hsv_display); axes[1, 0].set_title('HSV')
    axes[1, 1].imshow(img_lab_display); axes[1, 1].set_title('LAB')

    for ax in axes.flat:
        ax.axis('off')

    plt.tight_layout()
    plt.show()


if __name__ == '__main__':
    # 替换成你的图片路径
    image_path = 'test.jpg'
    show_color_spaces(image_path)

View Code

各颜色空间特点

颜色空间	通道	特点与用途
RGB	R、G、B	面向硬件的加色模型，适合显示，但不利于颜色分割
Gray	单通道	亮度信息，用于边缘检测、模板匹配
HSV	H(色调)、S(饱和度)、V(明度)	贴近人类感知，颜色分割的首选
LAB	L(亮度)、A(绿-红)、B(蓝-黄)	设备无关，色差计算（ΔE），颜色校正

使用方法

对各颜色空间的 亮度通道进行 CLAHE处理可以增强图像的亮度对比度，而不影响颜色

OpenCV 转换注意事项

# ⚠️ OpenCV 默认是 BGR，不是 RGB！
img_bgr = cv2.imread('test.jpg')          # BGR
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

# HSV 的 H 范围是 0-179（不是 0-360）
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

# LAB 的 L 范围 0-255, A/B 范围 0-255（有偏移128）
img_lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)

常见坑点

matplotlib 显示 HSV/LAB 原图会失真：必须 cvtColor 转回 RGB 才能正确显示，否则颜色会很奇怪。
中文乱码：如果 SimHei 不存在，可改为英文标签或安装中文字体。
cv2.imshow 显示 HSV/LAB：OpenCV 会把三通道当作 BGR，同样会失真，建议也转回 BGR 显示。

对象追踪 - 颜色空间的简单应用

利用像素实现对象跟踪，这是最简单的跟踪方式；

步骤：取视频的每一帧 - 从BGR转换到HSV颜色空间 - 对HSV图像设置蓝色范围的阈值 - 掩膜单独提取蓝色对象

代码

cap = cv.VideoCapture(0)
while(1):
    # 读取帧
    _, frame = cap.read()
    frame = cv.imread('imgs/30.png')        # 没有视频，拿一张图片做一帧
    # 转换颜色空间 BGR 到 HSV
    hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
    # 定义HSV中蓝色的范围
    lower_blue = np.array([110, 50, 50])
    upper_blue = np.array([130, 255, 255])
    # 设置HSV的阈值使得只取蓝色
    mask = cv.inRange(hsv, lower_blue, upper_blue)
    # 将掩膜和图像逐像素相加
    res = cv.bitwise_and(frame, frame, mask=mask)

    cv.imshow('frame', frame)
    cv.imshow('mask', mask)
    cv.imshow('res', res)
    k = cv.waitKey(5) & 0xFF
    if k == 27:
        break
cv.destroyAllWindows()

效果图

如何获取 HSV像素值

如何获取 RGB空间追踪像素的 HSV空间对应的像素值呢？

只需传递你想要的BGR值，而不是传递图像，如

green = np.uint8([[[0, 255, 0]]])
hsv_green = cv.cvtColor(green, cv.COLOR_BGR2HSV)
print(hsv_green)       # [[[ 60 255 255]]]

blue = np.uint8([[[255, 0, 0]]])
hsv_blue = cv.cvtColor(blue, cv.COLOR_BGR2HSV)
print(hsv_blue)        # [[[120 255 255]]]

然后把 [H-10, 100, 100] 和 [H+10, 255, 255] 分别作为下界和上界

除了这个方法之外，你可以使用任何图像编辑工具(如GIMP或任何在线转换器)来查找这些值，但是不要忘记调整HSV范围

参考资料：

https://baike.baidu.com/item/HSV/547122?fr=aladdin　　HSV颜色模型

http://www.woshicver.com/FifthSection/4_1_%E6%94%B9%E5%8F%98%E9%A2%9C%E8%89%B2%E7%A9%BA%E9%97%B4/　　中文官网

https://mp.weixin.qq.com/s/YvAhBsIT3qSSVh1Ue4UFrg　　开始使用 OpenCV 进行对象跟踪

https://blog.csdn.net/Aoman_Hao/article/details/126295498?spm=1001.2014.3001.5502　　色彩空间介绍

https://mp.weixin.qq.com/s/MnsRddkcVClFrBHcD0RMBQ

发表于 2021-10-11 09:55 努力的孔子阅读(250) 评论(0) 收藏举报

刷新页面返回顶部