【OpenCV 图像处理 Python版】图像处理的基本操作

dragoooon342025-12-08 8:24

目录

​编辑

[1.图像的 IO 操作](#1.图像的 IO 操作)

[1.1 图像读取 imread](#1.1 图像读取 imread)

[1.2 图像显示](#1.2 图像显示)

[1.2.1 opencv 方式](#1.2.1 opencv 方式)

[1.2.2 matplotlib 方式](#1.2.2 matplotlib 方式)

[1.3 图像保存 imwrite](#1.3 图像保存 imwrite)

2.绘制几何图形

[1. 绘制直线](#1. 绘制直线)

[2. 绘制矩形](#2. 绘制矩形)

[3. 绘制圆形](#3. 绘制圆形)

[4. 绘制多边形](#4. 绘制多边形)

[5. 添加文字](#5. 添加文字)

3.获取并修改图像中的像素点

[3.1 获取像素值](#3.1 获取像素值)

[3.2 修改像素值](#3.2 修改像素值)

[3.3 获取和修改区域像素值](#3.3 获取和修改区域像素值)

4.获取图像属性

[4.1 获取图像属性](#4.1 获取图像属性)

详细解释

[4.2 处理灰度图像](#4.2 处理灰度图像)

5.图像通道的拆分与合并

[5.1 图像通道的拆分](#5.1 图像通道的拆分)

[5.2 图像通道的合并](#5.2 图像通道的合并)

[5.3 修改单个通道并合并](#5.3 修改单个通道并合并)

6.色彩空间的改变

详细解释

[为什么需要将 HSV 和 Lab 图像，先转换回 RGB 格式再显示？](#为什么需要将 HSV 和 Lab 图像，先转换回 RGB 格式再显示？)

[1. matplotlib 期望的颜色格式是 RGB](#1. matplotlib 期望的颜色格式是 RGB)

[2. 可视化的直观性](#2. 可视化的直观性)

[3. 避免误解](#3. 避免误解)

1.图像的 IO 操作

1.1 图像读取 imread

使用cv2.imread函数可以读取图像。该函数有两个参数：

  • 第一个参数是图像文件的路径。
  • 第二个参数是读取模式，可以是以下几种：
    • cv2.IMREAD_COLOR：读取彩色图像（默认）。
    • cv2.IMREAD_GRAYSCALE：读取灰度图像。
    • cv2.IMREAD_UNCHANGED：读取图像，并包括图像的alpha通道。

示例

python 复制代码 
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1.读取图像
# 读取彩色图像
image  = cv.imread('../images/iu.jpg', cv.IMREAD_COLOR)

# 读取灰度图像
image_gray  = cv.imread('../images/iu.jpg', cv.IMREAD_GRAYSCALE)

1.2 图像显示

图像显示主要有两种方式：OpenCV 提供的 imshow 函数和 matplotlib 库提供的 imshow 函数。

1.2.1 opencv 方式

使用 cv2.imshow 函数可以显示图像。该函数有两个参数：

  • 第一个参数是窗口的名称。
  • 第二个参数是要显示的图像。

使用 cv2.waitKey 函数可以等待按键事件。该函数的参数是等待的时间（毫秒），如果设置为0，则无限等待。

使用cv2.destroyAllWindows函数可以关闭所有窗口。

示例

cpp 复制代码 
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1.读取图像

# 读取彩色图像
image  = cv.imread('../images/iu.jpg', cv.IMREAD_COLOR)

# 读取灰度图像
image_gray  = cv.imread('../images/iu.jpg', cv.IMREAD_GRAYSCALE)

# 2.显示图像
# 2.1 opencv 显示
cv.imshow('iu', image)
cv.imshow('gray', image_gray)
cv.waitKey(0)
cv.destroyAllWindows()

但是由于使用 opencv 提供的 imshow 函数时会创建新的窗口显示图像，不方便观察，所以后面一般会用另外一种方式。

1.2.2 matplotlib 方式

转换颜色空间

由于OpenCV 读取的图像是 BGR 格式，而 matplotlib 显示图像时使用的是 RGB 格式。因此，需要将 BGR 图像转换为 RGB 图像，此时也是有两种方式：

  1. 使用 cvtColor 进行转换；
python 复制代码 
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
plt.imshow(image_rgb)
  1. 使用矩阵转换；
python 复制代码 
plt.imshow(image[:,:,::-1])

示例

第一种方式

python 复制代码 
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1.读取图像

# 读取彩色图像
image  = cv.imread('../images/iu.jpg', cv.IMREAD_COLOR)

# 读取灰度图像
image_gray  = cv.imread('../images/iu.jpg', cv.IMREAD_GRAYSCALE)

# 2.2 plt 读取

# 第一种方式
image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)# 彩色图像显示
plt.imshow(image_rgb)
plt.show()

第二种方式

python 复制代码 
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1.读取图像

# 读取彩色图像
image  = cv.imread('../images/iu.jpg', cv.IMREAD_COLOR)

# 读取灰度图像
image_gray  = cv.imread('../images/iu.jpg', cv.IMREAD_GRAYSCALE)

# 2.2 plt 读取

# 第二种方式
plt.imshow(image[:,:,::-1]) # 彩色图像显示
plt.show()

1.3 图像保存 imwrite

使用 cv2.imwrite 函数可以保存图像。该函数有两个参数：

  • 第一个参数是保存的文件路径。
  • 第二个参数是要保存的图像。

示例

python 复制代码 
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1.读取图像

# 读取彩色图像
image  = cv.imread('../images/iu.jpg', cv.IMREAD_COLOR)

# 读取灰度图像
image_gray  = cv.imread('../images/iu.jpg', cv.IMREAD_GRAYSCALE)

# 2.显示图像
# 2.1 opencv 读取
# cv.imshow('iu', image)
# cv.imshow('gray', image_gray)
# cv.waitKey(0)
# cv.destroyAllWindows()

# 2.2 plt 读取

# 第一种方式
# image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)# 彩色图像读取
# plt.imshow(image_rgb)

# 第二种方式
# plt.imshow(image[:,:,::-1]) # 彩色图像读取
# plt.show()

# 3.图像保存
cv.imwrite('../images/iu_rgb.jpg', image)
cv.imwrite('../images/iu_gray.jpg', image_gray)

2.绘制几何图形

在OpenCV中，可以使用一系列绘图函数在图像上绘制几何图形和添加文字。这些函数包括绘制直线、矩形、圆形、多边形以及添加文本等。以下是如何使用这些函数的详细步骤和示例代码。

1. 绘制直线

使用 cv2.line 函数可以在图像上绘制直线。该函数的参数包括：

  • 图像对象
  • 起点坐标
  • 终点坐标
  • 颜色（BGR格式）
  • 线条粗细（可选）
python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 绘制一条白色直线
cv.line(image, (0, 0), (511, 511), (255, 255, 255), 5)

# 显示图像
plt.imshow(image[:,:,::-1])
plt.show()
2. 绘制矩形

使用 cv2.rectangle 函数可以在图像上绘制矩形。该函数的参数包括：

  • 图像对象
  • 左上角坐标
  • 右下角坐标
  • 颜色（BGR格式）
  • 线条粗细（如果为负值，则填充矩形）
python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 绘制一条白色直线
cv.line(image, (0, 0), (511, 511), (255, 255, 255), 5)

# 绘制一个绿色矩形
cv.rectangle(image, (100, 100), (400, 400), (0, 255, 0), 3)

# 显示图像
plt.imshow(image[:,:,::-1])
plt.show()
3. 绘制圆形

使用 cv2.circle 函数可以在图像上绘制圆形。该函数的参数包括：

  • 图像对象
  • 圆心坐标
  • 半径
  • 颜色（BGR格式）
  • 线条粗细（如果为负值，则填充圆形）
python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 绘制一条白色直线
cv.line(image, (0, 0), (511, 511), (255, 255, 255), 5)

# 绘制一个绿色矩形
cv.rectangle(image, (100, 100), (400, 400), (0, 255, 0), 3)

# 绘制一个红色圆形
cv.circle(image, (256, 256), 100, (0, 0, 255), -1)

# 显示图像
plt.imshow(image[:,:,::-1])
plt.show()
4. 绘制多边形

使用 cv2.polylines 函数可以在图像上绘制多边形。该函数的参数包括：

  • 图像对象
  • 顶点坐标数组
  • 是否闭合
  • 颜色（BGR格式）
  • 线条粗细
python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 绘制一条白色直线
cv.line(image, (0, 0), (511, 511), (255, 255, 255), 5)

# 绘制一个绿色矩形
cv.rectangle(image, (100, 100), (400, 400), (0, 255, 0), 3)

# 绘制一个红色圆形
cv.circle(image, (256, 256), 100, (0, 0, 255), -1)

# 定义多边形的顶点
points = np.array([[100, 50], [200, 300], [70, 200], [50, 100]], np.int32)
points = points.reshape((-1, 1, 2))

# 绘制一个蓝色多边形
cv.polylines(image, [points], True, (255, 0, 0), 3)
# 显示图像
plt.imshow(image[:,:,::-1])
plt.show()
5. 添加文字

使用 cv2.putText 函数可以在图像上添加文字。该函数的参数包括：

  • 图像对象
  • 文字内容
  • 文字起点坐标
  • 字体类型
  • 字体大小
  • 颜色（BGR格式）
  • 线条粗细
python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 绘制一条白色直线
cv.line(image, (0, 0), (511, 511), (255, 255, 255), 5)

# 绘制一个绿色矩形
cv.rectangle(image, (100, 100), (400, 400), (0, 255, 0), 3)

# 绘制一个红色圆形
cv.circle(image, (256, 256), 100, (0, 0, 255), -1)

# 定义多边形的顶点
points = np.array([[100, 50], [200, 300], [70, 200], [50, 100]], np.int32)
points = points.reshape((-1, 1, 2))

# 绘制一个蓝色多边形
cv.polylines(image, [points], True, (255, 0, 0), 3)
# 显示图像

# 添加白色文字
cv.putText(image, 'Hello, OpenCV!', (50, 250), cv.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)

plt.imshow(image[:,:,::-1])
plt.show()

3.获取并修改图像中的像素点

在OpenCV中，可以非常方便地获取和修改图像中的像素点。图像在OpenCV中被表示为一个NumPy数组，因此可以使用NumPy的索引和切片操作来访问和修改图像的像素值。

3.1 获取像素值

要获取图像中某个像素点的值，可以使用数组索引。对于彩色图像，像素值是一个包含三个元素的数组，分别表示B、G、R三个通道的值。对于灰度图像，像素值是一个单一的灰度值。

示例

python 复制代码 
import cv2 as cv

# 读取彩色图像
image = cv.imread('../images/iu.jpg')

# 获取某个像素点的值 (x=100, y=100)
pixel_value = image[100, 100]
print("Pixel value at (100, 100):", pixel_value)

# 获取某个像素点的蓝色通道值
blue_value = image[100, 100, 0]
print("Blue channel value at (100, 100):", blue_value)

# 获取某个像素点的绿色通道值
green_value = image[100, 100, 1]
print("Green channel value at (100, 100):", green_value)

# 获取某个像素点的红色通道值
red_value = image[100, 100, 2]
print("Red channel value at (100, 100):", red_value)

3.2 修改像素值

要修改图像中某个像素点的值，可以直接使用数组索引进行赋值操作。对于彩色图像，可以分别修改B、G、R三个通道的值。

示例

python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 修改某个像素点的值 (x=100, y=100)
image[100, 100] = [0, 255, 0]  # 将该像素点设置为绿色

# 修改某个像素点的蓝色通道值
image[100, 100, 0] = 255  # 将该像素点的蓝色通道值设置为255

# 修改某个像素点的绿色通道值
image[100, 100, 1] = 0  # 将该像素点的绿色通道值设置为0

# 修改某个像素点的红色通道值
image[100, 100, 2] = 0  # 将该像素点的红色通道值设置为0

# 显示修改后的图像
plt.imshow(image[:,:,::-1])
plt.show()

3.3 获取和修改区域像素值

除了单个像素点，还可以获取和修改图像的某个区域。可以使用NumPy的切片操作来实现。

示例

python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 创建一个空白图像
image = np.zeros((512, 512, 3), np.uint8)

# 获取某个区域的像素值 (从x=100, y=100到x=200, y=200)
region = image[100:200, 100:200]
print("Region shape:", region.shape)

# 修改某个区域的像素值 (从x=100, y=100到x=200, y=200)
image[100:200, 100:200] = [0, 255, 0]  # 将该区域设置为绿色

# 显示修改后的图像
plt.imshow(image[:,:,::-1])
plt.show()

4.获取图像属性

在OpenCV中，可以通过读取图像的属性来获取图像的基本信息，例如图像的尺寸、通道数、数据类型等。这些属性可以帮助你了解图像的基本结构和格式，从而更好地进行图像处理和分析。

4.1 获取图像属性

以下是一些常用的图像属性及其获取方法：

  1. 图像的形状（尺寸） ：可以使用NumPy数组的 shape 属性来获取图像的尺寸。
  2. 图像的大小（像素数） ：可以使用NumPy数组的 size 属性来获取图像的总像素数。
  3. 图像的数据类型 ：可以使用NumPy数组的 dtype 属性来获取图像的数据类型。

示例

以下是一个示例代码，演示如何获取图像的这些属性：

python 复制代码 
import cv2 as cv

# 读取图像
image = cv.imread('../images/iu.jpg')

# 获取图像的形状（尺寸）
height, width, channels = image.shape
print("Height:", height)
print("Width:", width)
print("Channels:", channels)

# 获取图像的大小（像素数）
size = image.size
print("Size (number of pixels):", size)

# 获取图像的数据类型
dtype = image.dtype
print("Data type:", dtype)
详细解释

  1. 图像的形状（尺寸）：

    • image.shape 返回一个包含三个元素的元组，分别表示图像的高度、宽度和通道数。
    • 对于灰度图像，image.shape 返回的元组只有两个元素，分别表示图像的高度和宽度。

  2. 图像的大小（像素数）：

    • image.size 返回图像的总像素数，即高度、宽度和通道数的乘积。

  3. 图像的数据类型：

    • image.dtype 返回图像的数据类型，通常是 uint8，表示每个像素值是一个8位无符号整数。

4.2 处理灰度图像

如果你处理的是灰度图像，获取属性的方式略有不同，因为灰度图像只有两个维度（高度和宽度）。

python 复制代码 
import cv2 as cv

# 读取灰度图像
gray_image = cv.imread('example.jpg', cv.IMREAD_GRAYSCALE)

# 获取图像的形状（尺寸）
height, width = gray_image.shape
print("Height:", height)
print("Width:", width)

# 获取图像的大小（像素数）
size = gray_image.size
print("Size (number of pixels):", size)

# 获取图像的数据类型
dtype = gray_image.dtype
print("Data type:", dtype)

5.图像通道的拆分与合并

在OpenCV中，可以使用 cv2.split 函数将彩色图像的通道拆分为单独的灰度图像，并使用 cv2.merge 函数将多个单通道图像合并为一个多通道图像。这些操作在图像处理和计算机视觉任务中非常常见和有用。

5.1 图像通道的拆分

cv2.split 函数可以将彩色图像的B、G、R三个通道拆分为三个单独的灰度图像。

示例

python 复制代码 
import cv2 as cv
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv.imread('../images/iu.jpg')

# 拆分图像的B、G、R通道
b_channel, g_channel, r_channel = cv.split(image)

# 将BGR图像转换为RGB图像
image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)

# 显示原始图像和拆分后的通道图像
plt.figure(figsize=(10, 7))

# 显示原始图像
plt.subplot(2, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image (RGB)')
plt.axis('off')

# 显示蓝色通道
plt.subplot(2, 2, 2)
plt.imshow(b_channel, cmap='gray')
plt.title('Blue Channel')
plt.axis('off')

# 显示绿色通道
plt.subplot(2, 2, 3)
plt.imshow(g_channel, cmap='gray')
plt.title('Green Channel')
plt.axis('off')

# 显示红色通道
plt.subplot(2, 2, 4)
plt.imshow(r_channel, cmap='gray')
plt.title('Red Channel')
plt.axis('off')

plt.show()

5.2 图像通道的合并

cv2.merge 函数可以将多个单通道图像合并为一个多通道图像。通常用于将拆分后的通道重新合并为一个彩色图像。

示例

python 复制代码 
import cv2 as cv
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv.imread('../images/iu.jpg')

# 拆分图像的B、G、R通道
b_channel, g_channel, r_channel = cv.split(image)

# 将BGR图像转换为RGB图像
image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)

# 合并B、G、R通道
merged_image = cv.merge([b_channel, g_channel, r_channel])

# 显示合并通道后的图像
plt.imshow(merged_image[:,:,::-1])
plt.show()

5.3 修改单个通道并合并

你还可以在拆分通道后对单个通道进行修改，然后再合并回去。例如，将图像的红色通道设置为零。

示例

python 复制代码 
import cv2 as cv
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv.imread('../images/iu.jpg')

# 拆分图像的B、G、R通道
b_channel, g_channel, r_channel = cv.split(image)

# 将BGR图像转换为RGB图像
image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)

# # 将红色通道设置为零
# r_channel[:] = 0

# 合并B、G、R通道
merged_image = cv.merge([b_channel, g_channel, r_channel])

# 显示合并通道后的图像
plt.imshow(merged_image[:,:,::-1])
plt.show()

6.色彩空间的改变

在图像处理和计算机视觉中，改变色彩空间是一个常见的操作。OpenCV 提供了多种色彩空间转换函数，可以方便地在不同色彩空间之间进行转换。常见的色彩空间包括 BGR、RGB、HSV、Lab 等。

OpenCV 提供了 cv.cvtColor 函数来进行色彩空间的转换。以下是一些常见的色彩空间转换：

  • BGR 到 RGB：cv.COLOR_BGR2RGB
  • BGR 到 灰度：cv.COLOR_BGR2GRAY
  • BGR 到 HSV：cv.COLOR_BGR2HSV
  • BGR 到 Lab：cv.COLOR_BGR2Lab

示例

python 复制代码 
import cv2 as cv
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv.imread('../images/iu.jpg')

# BGR 转 RGB
image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)

# BGR 转 灰度
image_gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

# BGR 转 HSV
image_hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)

# BGR 转 Lab
image_lab = cv.cvtColor(image, cv.COLOR_BGR2Lab)

# 显示原始图像和转换后的图像
plt.figure(figsize=(12, 8))

# 显示原始图像（BGR 转 RGB）
plt.subplot(2, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image (RGB)')
plt.axis('off')

# 显示灰度图像
plt.subplot(2, 2, 2)
plt.imshow(image_gray, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

# 显示 HSV 图像
plt.subplot(2, 2, 3)
plt.imshow(image_hsv)
plt.title('HSV Image')
plt.axis('off')

# 显示 Lab 图像
plt.subplot(2, 2, 4)
plt.imshow(image_lab)
plt.title('Lab Image')
plt.axis('off')

plt.tight_layout()
plt.show()
详细解释

读取图像

使用 cv.imread 读取图像，默认情况下图像是以 BGR 顺序存储的。

色彩空间转换：

  • 使用 cv.cvtColor 函数进行色彩空间转换。
    • cv.COLOR_BGR2RGB：将 BGR 转换为 RGB。
    • cv.COLOR_BGR2GRAY：将 BGR 转换为灰度。
    • cv.COLOR_BGR2HSV：将 BGR 转换为 HSV。
    • cv.COLOR_BGR2Lab：将 BGR 转换为 Lab。

显示图像

使用 plt.imshow 显示图像。对于彩色图像，确保颜色通道顺序正确（RGB）。

  • 对于灰度图像，使用 cmap='gray' 参数显示灰度图像。
  • 对于 HSV 和 Lab 图像，先转换回 RGB 格式再显示。
为什么需要将 HSV 和 Lab 图像，先转换回 RGB 格式再显示？

在使用 matplotlib 显示图像时，特别是对于 HSV 和 Lab 色彩空间的图像，先转换回 RGB 格式再显示的原因主要有以下几点：

1. matplotlib 期望的颜色格式是 RGB

matplotlib 的 plt.imshow 函数默认期望输入的图像是 RGB 格式的。如果直接传入 HSV 或 Lab 格式的图像，颜色会显示不正确，因为 matplotlib 会将这些值误解为 RGB 值。

2. 可视化的直观性

HSV 和 Lab 色彩空间的值并不直接对应于人类视觉系统中的颜色感知。例如，HSV 色彩空间中的 H（色调）分量是一个角度值，S（饱和度）和 V（亮度）分量是比例值，而这些值在直接显示时并不能直观地反映出图像的颜色信息。将它们转换回 RGB 格式后，可以更直观地展示图像的颜色信息。

3. 避免误解

直接显示 HSV 或 Lab 图像可能会导致误解，因为这些色彩空间的值范围和含义与 RGB 不同。例如，HSV 色彩空间中的 H 分量范围是 [0, 179]（在 OpenCV 中），而 RGB 的每个通道范围是 [0, 255]。直接显示这些图像会导致颜色失真和误解。

示例

以下是一个示例代码，演示如何将 HSV 和 Lab 图像转换回 RGB 格式再使用 matplotlib 显示：

python 复制代码 
import cv2 as cv
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv.imread('example.jpg')

# BGR 转 HSV
image_hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)

# BGR 转 Lab
image_lab = cv.cvtColor(image, cv.COLOR_BGR2Lab)

# HSV 转 RGB
image_hsv_rgb = cv.cvtColor(image_hsv, cv.COLOR_HSV2RGB)

# Lab 转 RGB
image_lab_rgb = cv.cvtColor(image_lab, cv.COLOR_Lab2RGB)

# 显示原始图像和转换后的图像
plt.figure(figsize=(12, 8))

# 显示原始图像（BGR 转 RGB）
image_rgb = cv.cvtColor(image, cv.COLOR_BGR2RGB)
plt.subplot(2, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image (RGB)')
plt.axis('off')

# 显示 HSV 图像（转换回 RGB）
plt.subplot(2, 2, 2)
plt.imshow(image_hsv_rgb)
plt.title('HSV Image (Converted to RGB)')
plt.axis('off')

# 显示 Lab 图像（转换回 RGB）
plt.subplot(2, 2, 3)
plt.imshow(image_lab_rgb)
plt.title('Lab Image (Converted to RGB)')
plt.axis('off')

plt.tight_layout()
plt.show()
相关推荐
小马爱打代码1 小时前
Spring AI：Docker 安装向量数据库 - Redis Stack
数据库·人工智能·spring
IT_陈寒1 小时前
【SpringBoot 3.2实战】10倍性能优化的5个冷门技巧，90%开发者都不知道！
前端·人工智能·后端
小霖家的混江龙1 小时前
Token 到底怎么来的? 一文读懂大模型分词的核心逻辑, 看完秒懂!
人工智能·python·llm
tangjunjun-owen1 小时前
OpenCV在Visual Studio中的完整配置教程
人工智能·opencv·visual studio
搜移IT科技1 小时前
加密货币市场的二元性 XBIT Wallet 硬件钱包风险缓解多元化策略
大数据·人工智能
余俊晖1 小时前
大模型网页数据清洗工具思路：MinerU-HTML
人工智能·html·数据生成
说私域1 小时前
基于定制开发开源AI智能名片S2B2C商城小程序的数据质量管控研究
人工智能·小程序
张较瘦_1 小时前
[论文阅读] AI | 告别“被动救火”：POLARIS让系统学会“主动预判+自我进化”
论文阅读·人工智能
人工智能训练1 小时前
openEuler系统中home文件夹下huawei、HwHiAiUser、lost+found 文件夹的区别和作用
linux·运维·服务器·人工智能·windows·华为·openeuler
热门推荐
01GitHub 镜像站点02【超详细教程】手把手教你从微软官网免费下载Windows 10官方原版ISO镜像（2025最新版）03智能库存管理的需求预测模型：从业务痛点到落地代码的完整实践04安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）05UV安装并设置国内源06BongoCat - 跨平台键盘猫动画工具07React CVE-2025-55182漏洞排查与修复指南08Linux下V2Ray安装配置指南09本地部署阿里最新开源的Z-Image10打造高效订单处理！ZKmall开源商城的统一履约中心架构解析