数字图像处理(c++ opencv)：彩色图像处理-彩色基础与彩色模型

彩色图像基础

颜色特性：亮度、色调、饱和度

• （1）亮度：即强度，如灰度值

• （2）色调：混合光波中的主导光波属性，即被观察者感知的主导色。如描述一个物体为红色，就是这个物体的色调为红色。

• （3）饱和度：指相对的纯度，或与一种色调混合的白光量。比如深红色（红色+白色）和淡紫色（紫色+白色）是不饱和的，白色越多，越不饱和。

色度：色调+饱和度，颜色可以由亮度+色度来表征

彩色图像模型

常见的彩色图像模型有：

• （1）RGB（红、绿、蓝）：一般用于彩色显示器和彩色摄像机；

• （2）CMY（青、深红、黄）和CMYK（青、深红、黄、黑）：一般用于彩色打印；

• （3）HSI（色调、饱和度、亮度）：描述和解释颜色；

RGB和HSI之间的相互转换

从RGB到HSI

H色调分量的计算：

S饱和度分量计算：

I 亮度分量计算：

备注：上面的转换公式假设图像的RGB值归一化到0, 1区间，得到的HSI结果值也在区间0, 1。

def RGB2HSI(img1):
    img1 = img1.astype('float32')
    b, g, r = img1[:, :, 0]/255.0, img1[:, :, 1]/255.0, img1[:, :, 2]/255.0

    I = (r+g+b)/3.0

    tem = np.where(b >= g, g, b)
    minValue = np.where(tem >= r, r, tem)
    S = 1 - (3 / (r + g + b)) * minValue

    num1 = 2*r - g - b
    num2 = 2*np.sqrt(((r - g) ** 2) + (r-b)*(g-b))
    deg = np.arccos(num1/num2)
    H = np.where(g >= b, deg, 2*np.pi - deg)

    resImg = np.zeros((img1.shape[0], img1.shape[1],
                    img1.shape[2]), dtype=np.float)
    resImg[:, :, 0], resImg[:, :, 1], resImg[:, :, 2] = H*255, S*255, I*255
    resImg = resImg.astype('uint8')
    return resImg

从HSI到RGB（值区间与（1）相同0, 1）

前提：在将HSI转换为RGB时，需要先通过H色调值进行判断，然后使用不同的公式：

• 即将H值乘360°，将值从0, 1转换到0, 360，然后进行分类：

• RG扇区（H在0, 120）:

B蓝色分量计算：

R红色分量计算：

G绿分量计算：

GB扇区（H在120, 240）:

首先将H减去120：

然后转换到RGB：

BR扇区（H在240, 360）:

首先将H减去240：

然后计算RGB值：

def HSI2RGB(img):
    H1, S1, I1 = img[:,:,0]/255.0, img[:,:,1]/255.0, img[:,:,2]/255.0
    B = np.zeros((H1.shape[0], H1.shape[1]), dtype='float32')
    G = np.zeros((S1.shape[0], S1.shape[1]), dtype='float32')
    R = np.zeros((I1.shape[0], I1.shape[1]), dtype='float32')
    H = np.zeros((H1.shape[0], H1.shape[1]), dtype='float32')
    
    for i in range(H1.shape[0]):
        for j in range(H1.shape[1]):
            H = H1[i][j]
            S = S1[i][j]
            I = I1[i][j]   
            if (H >=0) & (H < (np.pi * (2/3))):
                B[i][j] = I*(1-S)
                R[i][j] = I * (1 + ((S*np.cos(H))/np.cos(np.pi * (1/3) - H)))
                G[i][j] = 3*I - (B[i][j]+R[i][j])
                
            elif (H >= (np.pi * (2/3))) & (H < np.pi * (4/3)):
                R[i][j] = I*(1-S)
                G[i][j] = I * (1 + ((S*np.cos(H - np.pi * (2/3)))/np.cos(np.pi * (1/2) - H)))
                B[i][j] = 3*I - (G[i][j]+R[i][j])
            elif (H >= (np.pi * (2/3))) & (H < (np.pi * 2)):
                G[i][j] = I*(1-S)
                B[i][j] = I * (1 + ((S*np.cos(H - np.pi * (4/3)))/np.cos(np.pi * (10/9) - H)))
                R[i][j] = 3*I - (G[i][j]+B[i][j])
    img = cv2.merge((B*255, G*255, R*255))
    img = img.astype('uint8')
    return img