5. 色彩空间-RGB、HSV，HIS、cv2.inRange()、cv2.split()、cv2.merge()

1. 颜色空间转换

1. RGB(地球人都知道)

RGB 是我们接触最多的颜色空间，由三个通道表示一幅图像，分别为红色(R)，绿色(G)和蓝色(B)。这三种颜色的不同组合可以形成几乎所有的其他颜色。自然环境下获取的图像容易受自然光照、遮挡和阴影等情况的影响，即对亮度比较敏感。而 RGB 颜色空间的三个分量都与亮度密切相关，即只要亮度改变，三个分量都会随之相应地改变，而没有一种更直观的方式来表达。但是人眼对于这三种颜色分量的敏感程度是不一样的，在单色中，人眼对红色最不敏感，蓝色最敏感，所以 RGB 颜色空间是一种均匀性较差的颜色空间。如果颜色的相似性直接用欧氏距离来度量，其结果与人眼视觉会有较大的偏差。对于某一种颜色，我们很难推测出较为精确的三个分量数值来表示。所以，RGB 颜色空间适合于显示系统，却并不适合于图像处理

    2. HSV

基于上述理由，在图像处理中使用较多的是 HSV 颜色空间，它比 RGB 更接近人们对彩色的感知经验。非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。在 HSV 颜色空间下，比 BGR 更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。HSV中只有Hue一个通道表示颜色。

HSV 表达彩色图像的方式由三个部分组成：

• Hue（色调、色相）
• Saturation（饱和度、色彩纯净度）:饱和度表示颜色接近光谱色的程度。饱和度越高，说明颜色越深，越接近光谱色饱和度越低，说明颜色越浅，越接近白色。饱和度为0表示纯白色。取值范围为0～100%，值越大，颜色越饱和。
• Value（明度）:决定颜色空间中颜色的明暗程度，明度越高，表示颜色越明亮，范围是 0-100%。明度为0表示纯黑色（此时颜色最暗）
• HSV的取值范围:原本输出的 HSV 的取值范围分别是 0-360， 0-1， 0-1；但是为了匹配目标数据类型 OpenCV 将每个通道的取值范围都做了修改，于是就变成了 0-180， 0-255， 0-255，并且同时解释道：为了适应 8bit 0-255 的取值范围，将 hue 通道 0-360 的取值范围做了减半处理，这就是为什么 OpenCV 中 hue 通道的取值范围是0-180；

如何理解:

在Hue一定的情况下，饱和度减小，就是往光谱色中添加白色，光谱色所占的比例也在减小，饱和度减为0，表示光谱色所占的比例为零，导致整个颜色呈现白色。明度减小，就是往光谱色中添加黑色，光谱色所占的比例也在减小，明度减为0，表示光谱色所占的比例为零，导致整个颜色呈现黑色。

HSV 对用户来说是一种比较直观的颜色模型。我们可以很轻松地得到单一颜色，即指定颜色角H，并让V=S=1，然后通过向其中加入黑色和白色来得到我们需要的颜色。增加黑色可以减小V而S不变，同样增加白色可以减小S而V不变。例如，要得到深蓝色，V=0.4 S=1 H=240度。要得到浅蓝色，V=1 S=0.4 H=240度。

RGB颜色空间更加面向于工业，而HSV更加面向于用户，大多数做图像识别这一块的都会运用HSV颜色空间，因为HSV颜色空间表达起来更加直观！

   3. HLS

HSI色彩空间是从人的视觉系统出发，用色调(Hue)、色饱和度(Saturation 或Chroma)和亮度 (Intensity或Brightness)来描述色彩。HSI色彩空间可以用一个圆锥空间模型来描述。用这种 描述HIS色彩空间的圆锥模型相当复杂，但确能把色调、亮度和色饱和度的变化情形表现得很清楚。 通常把色调和饱和度通称为色度，用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感 程度远强于对颜色浓淡的敏感程度，为了便于色彩处理和识别，人的视觉系统经常采用HSI色彩空间， 它比RGB色彩空间更符合人的视觉特性。在图像处理和计算机视觉中大量算法都可在HSI色彩空间中 方便地使用，它们可以分开处理而且是相互独立的。因此，在HSI色彩空间可以大大简化图像分析 和处理的工作量。HSI色彩空间和RGB色彩空间只是同一物理量的不同表示法，因而它们之间存在着 转换关系.HSL(色相hue, 饱和度saturation, 亮度lightness/luminance),也称HLS 或 HSI (I指intensity) 与HSV非常相似，仅用亮度（lightness）替代了明度（brightness）.

二者区别在于，一种纯色的明度等于白色的明度，而纯色的亮度等于中度灰的亮度。（没看懂说啦个啥）

HLS 中的 L 分量为亮度，亮度为100，表示白色，亮度为0，表示黑色；HSV 中的 V 分量为明度，明度为100，表示光谱色，明度为0，表示黑色。提取白色物体时，使用 HLS 更方便，因为 HSV 中的Hue里没有白色，白色需要由S和V共同决定（S=0, V=100）。而在 HLS 中，白色仅由亮度L一个分量决定。所以检测白色时使用 HSL 颜色空间更准确。

参考链接:

1. https://zhuanlan.zhihu.com/p/67930839
2. https://blog.csdn.net/taily_duan/article/details/51506776

转换代码如下:

def color_space_demo(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)cv.imshow("gray", gray)hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)cv.imshow("hsv", hsv)hls = cv.cvtColor(image, cv.COLOR_BGR2HLS)cv.imshow("hls", hls)yuv = cv.cvtColor(image, cv.COLOR_BGR2YUV)          #下面俩个没看cv.imshow("yuv", yuv)ycrcb = cv.cvtColor(image, cv.COLOR_BGR2YCrCb)cv.imshow("ycrcb", ycrcb)

2. 将某种颜色的物体提取出来-cv2.inRange()

cv2.inRange(hsv, lower_red, upper_red):函数很简单，参数有三个:

1. hsv指的是原图
2. lower_red指的是图像中低于这个lower_red的值，图像值变为0
3. upper_red指的是图像中高于这个upper_red的值，图像值变为0而在lower_red～upper_red之间的值变成255
4. 最后输出的图像是二值图。、

HSV中H、S、V对照表:

代码如下:

def extract_object_demo():     #将某种颜色的对象显示出来capture = cv.VideoCapture("../images/cv.gif")while True:ret, frame = capture.read()if ret is False:  # 如果没有获取到视频帧则返回falsebreakhsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)lower_hsv = np.array([0, 43, 46])  # hsv中h，s，v的最小值upper_hsv = np.array([50, 255, 255])  # hsv中的h，s，v最大值# 提取指定范围颜色，保留指定范围颜色, 其余置为黑(0)mask = cv.inRange(hsv, lowerb=lower_hsv, upperb=upper_hsv)  # 用inRange函数提取指定颜色范围，这里对hsv来处理dst = cv.bitwise_and(frame, frame, mask = mask)cv.imshow("video", frame)cv.imshow("mask", mask)cv.imshow("mask1", dst)c = cv.waitKey(40)if c == 27:break

3. 通道的分离和合并-cv2.split()、cv2.merge()

1. cv2.split()：一个参数:np.ndarray格式的数据
2. cv2.merge() ：将各个通道的值以列表的形式表示出来,不能合并多个多通道的图像。

代码如下:

def channels_split_merge(image):b, g, r = cv.split(image)  # b通道提取时，对该通道颜色保留，其余通道置为0cv.imshow("blue", b)cv.imshow("green", g)cv.imshow("red", r)changed_image = image.copy()changed_image[:, :, 2] = 0  # 将r通道颜色全部置为0cv.imshow("changed_image", changed_image)merge_image = cv.merge([b, g, r])cv.imshow("merge_image", merge_image)