Python----OpenCV（图像处理——图像的多种属性、RGB与BGR色彩空间、HSB、HSV与HSL、ROI区域）

Python----计算机视觉处理（opencv：像素，RGB颜色，图像的存储，opencv安装，代码展示）

Python----计算机视觉处理（Opencv：图片颜色识别：RGB颜色空间，HSV颜色空间，掩膜）

Python----计算机视觉处理（Opencv：ROI图像切割）

一、图像的多种属性

图像的多种属性 图像处理涉及到多种属性，这些属性可以帮助我们分析和理解图像的内 容。以下是图像的一些常见属性，它们在图像分类、分割、增强等任务中都起到了至关重要 的作用。

1.1、图像分类

1.1.1、二值图像

二值图像表示的意思就是每一个像素点只由0和1构成，0表示黑色，1表示白色，而且这里 的黑色和白色是纯黑和纯白。

1.1.2、灰度图像

灰度图像就是一个8位的位图。什么意思呢？就是说00000001一直到11111111，这就是二 进制表示。如果表示成我们常用的十进制就是0-255。其中0就表示纯黑色，255就表示纯白 色，中间就是处于纯黑色到纯白色的相关颜色。

1.1.3、彩色图像

计算机中所有的颜色都可以由R（红色通道）、G（绿色通道）、B（蓝色通道）来组成，其 中每一个通道都有0-255个像素颜色组成。比如说R=234，G=252，B=4就表示黄色。显示 出来的也是黄色。所以说彩色图像由三个面构成，分别对应R,G,B。

1.2、颜色属性

1.2.1、颜色空间

图像的颜色可以用不同的颜色空间表示，常见的颜色空间包括：

RGB：红色、绿色和蓝色三个通道组成，适用于显示设备。

HSV：色调、饱和度和亮度组成，适用于图像分割任务。

Grayscale（灰度）：没有颜色信息，仅有亮度信息。

YCbCr：亮度（Y）和色差（Cb、Cr）分量，常用于视频编码。

1.2.2、色调（Hue）

色调是指颜色的种类，通常用于描述色彩本身的感知。例如，红色、绿色、蓝色等。

饱和度（Saturation） 饱和度表示颜色的强度或纯度，饱和度越高，颜色越鲜艳。

亮度（Brightness / Value） 亮度表示颜色的明亮程度，通常用于描述光的强度。

1.3、 几何属性

尺寸（Size） 图像的宽度和高度，通常以像素为单位。

分辨率（Resolution） 图像的清晰度，通常由每英寸的像素数（DPI）来表示。较高的 分辨率意味着图像的细节更多。

比例（Aspect Ratio） 图像宽高的比例，影响图像的呈现效果和视觉感受。

常见比例：

1:1（正方形）

4:3（标准电视和旧型电视屏幕比例）

16:9（宽屏）

3:2（数码相机和手机照片比例）

21:9（超宽屏）

1.4、纹理属性

纹理（Texture）是指图像中表面特征的模式或结构，它描述了图像中的细节，如粗糙、平 滑、条纹、波纹等。

纹理的特点：

平滑或粗糙：图像的表面可能是平滑的，也可能是粗糙的。平滑的纹理通常表示图像中像素值变化较小，粗糙的纹理表示像素值变化较 大。

重复性：纹理常常呈现规律性或重复模式，像是平铺的砖块、树皮的纹路等。通过重复性，计算机可以通过算法来识别出特定的纹理。

方向性：纹理可能具有一定的方向性，例如条纹、波纹等。方向性纹理的分析能够提供图像中物体或区域的结构信息。

尺度：纹理的特征可能在不同的尺度上有所不同。某些纹理可能在大尺度下清晰可见，而在小尺度下则难以辨认。

二、RGB与BGR色彩空间

OpenCV和PIL读取图片的格式分别是BGR和RGB。

OpenCV默认通道是BGR的。这是OpenCV的入门大坑之一，BGR是个历史遗留问题， 为了兼容早年的某些硬件，OpenCV也不好改回来了。
安装PIL

PIL 软件包提供了基本的图像处理功能，如：改变图像大小，旋转图像，图像格式转换，色 场空间转换，图像增强，直方图处理，插值和滤波等等。

pip install Pillow

import cv2
from PIL import Image
import numpy as np

img1=cv2.imread('./images/parrot.png')

img2=np.array(Image.open('./images/parrot.png'))

print('cv',img1[:10])
'''
cv [[[ 96 142 150]
  [ 87 134 142]
  [ 81 134 144]
'''
print('Image',img2[:10])
'''
Image [[[150 142  96]
  [142 134  87]
  [144 134  81]
'''

如何将RGB与BGR进行转换

颜色变换是imgproc模块中一个常用的功能。我们生活中大多数看到的彩色图片都是RGB类 型的，但是在进行图像处理时需要用到灰度图、二值图、HSV、HSI等颜色制式，OpenCV 提供了cvtColor0函数来实现这些功能。

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

三、HSB、HSV与HSL

3.1、RGB 的局限性

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)。

理由：

与人眼感知不完全匹配

无法准确表示所有颜色

色彩调节不直观

设备依赖性强

3.2、HSB、HSV与HLS概念定义

HSB 和 HSV 基本上是相同的，差异主要是在命名上，而实际应用中，HSB 有时用来表示与 光的亮度相关的概念。

HSB 为 色相，饱和度，明度；

HLS 为 色相，饱和度，亮度，

HSV 为 色相，饱和度，明度。

H ： 指的是色相（Hue），就是颜色名称，例如"红色"、"蓝色"，、"绿色"；

S ： 指的是饱和度（Saturation），即颜色的纯度；

L : （Lightness） 和 B（Brightness）是明度，颜色的明亮程度

import cv2

img1=cv2.imread('./images/parrot.png')
img2=cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
img3=cv2.cvtColor(img1,cv2.COLOR_BGR2HLS)
img4=cv2.cvtColor(img1,cv2.COLOR_BGR2HSV)

cv2.imshow('BGR',img1)
cv2.imshow('RGB',img2)
cv2.imshow('HLS',img3)
cv2.imshow('HSV',img4)
cv2.waitKey(0)

四、ROI区域

在图像处理过程中，我们可能会对图像的某一个特定区域感兴趣，该区域被称为感兴趣区域 （Region of Interest，ROI）。在设定感兴趣区域 ROI 后，就可以对该区域进行整体操 作。在机器视觉、图像处理等领域，ROI是一个重要的概念，常用于目标检测、图像分割和 物体跟踪等任务中。

4.1、切片操作

Python 中的切片操作允许你从数组中提取子数组(子图像)。切片的语法是[startend，意味着从 start 开始，到 end-1 结束。

roi = img[20:230, 130:300, :]

20:230 ：提取图像的行范围。这里表示从第 20 行到第 230 行（包含 20 行，直到 229 行），这是从图像中提取的垂直区域 （即图像的高度部分）。

130:300 ：提取图像的列范围。这里表示从第 130 列到第 300 列（包含 130 列，直到 299 列），这是从图像中提取的水平区域 （即图像的宽度部分）。

: ：这表示所有的通道。即不限制颜色通道，提取所有的颜色通道（通常是 BGR，即蓝色、绿色、红色三个通道）。

4.2、ROI

import cv2

# 读取图像
img = cv2.imread('./images/ROI.png')

# 打印图像的形状（高度、宽度、通道数）
# 例如：(400, 600, 3) 表示高400像素，宽600像素，3个颜色通道（BGR）
print(img.shape)

# 将图像特定区域的蓝色通道（索引为0）设置为0
# 区域定义：从行20到行229，从列130到列299
# [20:230] 表示从第20行开始，到第230行（不包含230行）
# [130:300] 表示从第130列开始，到第300列（不包含300列）
# [0] 表示蓝色通道（OpenCV默认是BGR顺序，所以0是蓝色）
img[20:230, 130:300, 0] = 0

# 提取图像的感兴趣区域（Region of Interest, ROI）
# 这个ROI是原始图像中蓝色通道被设置为0的同一块区域
roi = img[20:230, 130:300, :]

# 创建ROI的副本
# 这一步很重要，因为如果不使用.copy()，那么对roi的修改也会影响到原始的img图像
roi = roi.copy()

# 将ROI的所有像素的蓝色通道设置为0
# 这一操作会使得提取出来的ROI图像的蓝色部分完全消失
roi[:, :, 0] = 0

# 显示修改后的原始图像（其中一个区域的蓝色通道被清除了）
cv2.imshow('images', img)

# 显示提取并修改后的ROI图像（整个ROI的蓝色通道被清除了）
cv2.imshow('roi', roi)

# 等待按键，0表示无限等待，直到用户按下任意键
cv2.waitKey(0)

# 销毁所有OpenCV创建的窗口
cv2.destroyAllWindows()

五、通道的分割与合并

在图像处理中，通道是图像数据的重要组成部分。例如，彩色图像通常由三个通道（RGB 或 BGR）组成，每个通道表示一种颜色分量。在某些场景中，我们可能需要对单个通道进 行操作，这就需要用到 OpenCV 的通道分割与通道合并功能。

5.1、分割通道

分割图像的通道指的是将原始图像的不同颜色通道提取出来，通常可以通过 csplit0 来完成。

5.2、合并通道

将分割出的通道重新合并成一个完整的图像，可以使用cv.merge()

import cv2
import numpy as np

# 读取图像
img1 = cv2.imread('./images/parrot.png')


# 分离图像通道
B, G, R = cv2.split(img1)

# 创建空白图像（与原图尺寸相同）
# np.zeros_like(img1) 创建一个与 img1 形状和数据类型相同的全零数组。
blank = np.zeros_like(img1)

# 创建只包含蓝色通道的图像
# 我们将蓝色通道 (B) 与两个零通道合并，以创建一个只包含蓝色信息的图像。
blue_img = cv2.merge([B, np.zeros_like(B), np.zeros_like(B)])

# 创建只包含绿色通道的图像
# 类似地，我们创建只包含绿色通道的图像。
green_img = cv2.merge([np.zeros_like(G), G, np.zeros_like(G)])

# 创建只包含红色通道的图像
# 这是红色通道的图像。
red_img = cv2.merge([np.zeros_like(R), np.zeros_like(R), R])

# 显示原始图像
cv2.imshow('Original Image', img1)

# 显示蓝色通道图像
cv2.imshow('Blue Channel', blue_img)

# 显示绿色通道图像
cv2.imshow('Green Channel', green_img)

# 显示红色通道图像
cv2.imshow('Red Channel', red_img)

# 显示合并后的图像 (与原始图像相同)
img2 = cv2.merge([B, G, R])
cv2.imshow('Merged Image', img2)

# 等待按键
cv2.waitKey(0)

# 销毁所有OpenCV窗口
cv2.destroyAllWindows()