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 直接读取图片是 RGB 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)
效果图
### 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)
效果图
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()
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
浙公网安备 33010602011771号