【QT opencv】基础应用之颜色空间(附有调色板源码)

前言

opencv默认使用BGR格式读取图像,随着图像技术的发展,不同的专业领域使用了不同的颜色空间,为了适配及简化转换过程,opencv提供了很多颜色空间转换的方法。

本文内容主要来自AI,整理了与颜色空间相关的知识点,同时篇尾提供一个QT开发的调色板工具,资源中可下载源码。

历史

颜色空间 擅长领域 趣闻
XYZ 颜色科学基础 1931年制定,当时的实验者看了几百万个颜色!
RGB/BGR 显示、存储 OpenCV用BGR是因为20年前某相机厂家用这个顺序,就一直沿用
HSV/HSL 颜色选择、分割 Photoshop的颜色选择器就用HSV,因为人类更易理解
Lab 颜色测量、匹配 CIE L*a*b*中的星号其实有数学意义,但大家都不写,简写为Lab
YUV/YCrCb 视频压缩、传输 为什么叫YUV?Y=亮度,U和V没有实际意义,只是字母

颜色空间

XYZ颜色空间

是一种基于人眼颜色匹配实验定义的色彩空间,是许多其他颜色空间的基础,它是人为定义的虚拟颜色,现实中不存在,但能精确描述所有可见颜色。XYZ通过虚拟基色解决了RGB混合时可能出现的负值问题,颜色匹配更稳定。

特点

  • 设备无关性:不依赖于任何具体显示设备或输入设备。
  • 包含所有人眼可见颜色:其色域覆盖了人类视觉所能感知的所有颜色(即"可见光谱轨迹"内的所有颜色)。
  • 三刺激值(Tristimulus Values):X、Y、Z 分别代表红、绿、蓝三种原色的加权响应,其中 Y 通道直接对应亮度(Luminance),a、b通道表示色度。
  • 可转换性:可作为中间桥梁,与其他颜色空间(如 RGB、Lab、Luv 等)相互转换。

应用场景

1. 颜色科学与标准制定
  • 用于定义和量化颜色的标准(如 CIE 标准光源、标准观察者)。
  • 是制定其他颜色空间(如 CIELAB、CIELUV)的基础。
2. 色彩管理与校准
  • 在 ICC 色彩配置文件中,常以 XYZ 作为 Profile Connection Space(PCS),实现不同设备间的颜色一致性转换。
  • 例如:从相机 RAW 数据 → XYZ → 显示器 sRGB。
  • 例如:CD色域测试、相机白平衡算法设计。
3. 图像处理与计算机视觉
  • 在需要精确颜色计算的场合(如白平衡、色温校正、颜色恒常性算法)中,先将 RGB 转换为 XYZ 再进行处理。
  • 用于光谱数据重建或颜色匹配计算。
4. 照明与显示工业
  • 用于 LED、显示器、投影仪等设备的色度参数标定(如色坐标 x, y = X/(X+Y+Z), Y/(X+Y+Z))。
  • 计算相关色温(CCT)、显色指数(CRI)等指标时,通常以 XYZ 为基础。
5. 印刷与纺织行业
  • 在配色系统中,通过 XYZ 值预测油墨/染料混合后的颜色效果。
  • 实现跨媒介(屏幕 vs 纸张)的颜色一致性。
6. 科研与教育
  • 作为色度学教学的核心模型,帮助理解人眼视觉响应与颜色感知机制。
  • 用于心理物理学实验中的颜色刺激量化。

RGB/BGR颜色空间

在 OpenCV 诞生的年代(1990s--2000s 初),许多视频采集设备 (如摄像头、电视卡)和图像格式 (尤其是 Windows 平台上的)默认使用 BGR 或 BGRA 排列。

RGB 空间的"红、绿、蓝",即是常见的(真实)三基色,即每种颜色都可以通过三基色形成,但是有些可见颜色无法仅用这三种正系数混合出来,必须引入"负值",目前使用0,256区域的三基色是有缺陷的。

早期彩色显示器(如 CRT)就是通过红、绿、蓝三种荧光粉发光混合出各种颜色的。RGB 直接对应硬件的发光机制,是最自然的驱动方式,即RGB是当时社会生产环境图像设备的对接技术,而且当时没有复杂的色彩科学模型,所以RGB是当前使用最广泛的技术。

在数字图像和OpenCV中,主要处理的是加色模型的RGB系统。opencv的cv::imread()默认使用BGR格式读取图像,而cv::imwirte()在保存图像时会根据所保存的图像格式自动处理颜色通道的顺序。对于最常用的图像格式(如 JPEG、PNG),尽管 OpenCV 内部使用 BGR 格式来表示图像数据,cv::imwrite() 在保存这些图像时会将 BGR 格式的图像转换为通常的标准格式,即 RGB,再进行保存。

特点

1、模型
  • 加色混合 : 适用于发光体 (如显示器、灯光)。将不同强度的红、绿、蓝 三种色光相加混合,可以产生出自然界中绝大多数人眼可见的颜色。

    • R + G = 黄

    • R + B = 品红

    • G + B = 青

    • R + G + B = 白

    • 三者均为0 = 黑

  • 减色混合 : 适用于反光体 (如印刷、颜料)。这是通过吸收(减去)白光中的某些颜色成分来呈现色彩。通常使用青、品红、黄作为三原色,再加上黑色构成印刷四色。

2、设备相关性
  • RGB 值本身不具有绝对颜色意义,同一组 (R,G,B) 在不同显示器上可能呈现不同颜色。
  • 因为它依赖于设备的色域(如 sRGB、Adobe RGB 等标准)
3、颜色与亮度耦合
  • RGB是Red, Green, Blue的缩写,即3个通道都是包含色彩的,亮度信息和颜色信息耦合在一起,(物体颜色不变的情况下)光照的变化会同时影响3个通道值的变化。
4、数据结构简单直观
  • 每个像素用 3 个数值表示(通常 8-bit,范围 0--255)。
  • 在内存中连续存储,便于快速访问和计算。

应用场景

1. 图像采集与显示
  • 摄像头、扫描仪、手机相机等设备直接输出 RGB(或 Bayer 格式转 RGB)。
  • 显示器、LED 屏、投影仪等硬件直接接收 RGB 信号驱动像素。
  • ➤ 原因:RGB 与光电传感器和发光器件的物理特性天然匹配。
2. 通用图像存储与传输
  • 常见图像格式(JPEG、PNG、BMP)默认以 RGB(或 BGR)方式存储像素数据。
  • Web 图像(HTML/CSS 中的 rgb(255,0,0))也基于 RGB。
3. 基础图像处理操作
  • 在 OpenCV 中,很多函数默认处理 BGR/RGB 图像:
    • 图像裁剪、缩放、旋转
    • 像素级运算(加法、混合、滤波)
    • 绘图(画线、矩形、文字)
4.深度学习与 CNN 输入
  • 大多数卷积神经网络(如 ResNet、YOLO)将输入图像标准化为 RGB 三通道张量(H×W×3)。
  • 数据集(ImageNet、COCO)均以 RGB 格式提供。
5. 不适合但常被误用的场景
场景 问题 更优选择
颜色分割(如找红色物体) 光照变化导致 R 值波动大 HSV / LAB
图像压缩(如 JPEG) RGB 冗余高,人眼对亮度更敏感 YCbCr
色彩增强或调色 调整 R/G/B 会同时改变色相和亮度 HSV / HSL

不要盲目在 RGB 空间做颜色阈值:先考虑转到 HSV 或 LAB。

RGB 是"起点",不是"终点":大多数高级任务需要转换颜色空间。

HSV / HSL颜色空间

这是亮度信息和颜色信息解耦的颜色空间,为了解决RGB的缺点而设计,更符合人类对颜色的感知。

缩写 全称 中文含义
HSV Hue, Saturation, Value 色调、饱和度、明度(或"亮度")
HSL Hue, Saturation, Lightness 色调、饱和度、亮度(或"明暗度")
  • H : 色相。颜色的基本属性(红、橙、黄、绿...)。范围通常是 [0, 180)(在OpenCV中为了适应8位存储,通常用0-180表示0-360度)。

  • S: 饱和度。颜色的纯度/鲜艳程度。0%为灰色,100%为完全饱和。

  • V: 明度。颜色的明亮程度。0%为黑,100%为最亮。

  • L: 亮度。与V类似,但计算方式不同。HSL中的L=50%时颜色最纯。

分量 理论范围 OpenCV (8-bit) 范围 说明
H (Hue) 0 -- 360° 0 -- 179 除以 2,避免溢出 uint8(255)
S (Saturation) 0 -- 1 0 -- 255 0=无色,255=最饱和
V (Value) 0 -- 1 0 -- 255 0=黑,255=最亮
L (Lightness) 0 -- 1 0 -- 255 (HSL 在 OpenCV 中支持有限,见下文)

OpenCV 主要支持 HSV,对 HSL 支持较弱 !cv2.cvtColor() 有 COLOR_BGR2HSV,但没有直接的 BGR2HSL(需通过其他库如 PIL 或手动转换)。

特点及应用场景

  • **亮度与颜色分离:**非常适合基于颜色的图像分割、滤镜、颜色识别、目标检测(如交通灯、水果识别)、图像增强等。

YCrCb(YUV)颜色空间

另一种将亮度与颜色信息分离的模型,广泛应用于电视系统和视频压缩。

  • Y: 亮度分量。也就是灰度图。

  • Cr: 红色差分量,Red-difference chroma(红差色度),表示红色与亮度的偏差。

  • Cb: 蓝色差分量,Blue-difference chroma(蓝差色度),表示蓝色与亮度的偏差。

历史

  • YUV:最初用于模拟电视广播(如 PAL/NTSC),U/V 是连续信号。
  • YCbCr:数字版本,用于 JPEG、MPEG、H.264 等数字图像/视频标准。
  • 在 OpenCV 和大多数现代文献中,"YUV" 常被用作 YCbCr 的代称,但严格来说它们略有不同。

特点

1. 人眼对亮度比色度更敏感
  • 人眼能清晰分辨亮度细节(如边缘、纹理),但对颜色细节不敏感。
  • 例如:你可以看清黑白照片的细节,但若颜色模糊一点,几乎察觉不到。
2. 节省带宽 / 压缩效率高
  • 既然人眼"不在乎"色度细节,就可以降低 Cb/Cr 的分辨率 (称为 色度子采样,Chroma Subsampling)。
  • 常见格式:
    • 4:4:4:无子采样(Y, Cb, Cr 同分辨率)
    • 4:2:2:水平方向色度减半(专业视频)
    • 4:2:0:水平和垂直都减半(JPEG、H.264、YouTube 视频)

💡 举例:一张 1920×1080 图像:

  • RGB 需要 3 × 1920 × 1080 ≈ 6.2 MB
  • YCbCr 4:2:0 只需 1.5 × 1920 × 1080 ≈ 3.1 MB(节省 50%!)
3. 兼容黑白电视
  • 老式黑白电视只需接收 Y 分量 即可显示图像,彩色电视再额外接收 Cb/Cr。
  • 这使得彩色信号能向后兼容。

应用场景

1. JPEG 图像压缩
  • JPEG 将 RGB 转为 YCbCr,对 Cb/Cr 进行 4:2:0 子采样,再做 DCT 变换。
  • 这是 JPEG 能高压缩比而不明显失真的关键!
2. 视频编码(H.264 / HEVC)
  • 所有主流视频编码标准都基于 YCbCr。
  • 通过降低色度分辨率大幅减少数据量。
3. 肤色/人脸检测
  • 皮肤在 Cb-Cr 平面上聚集在一个椭圆区域内。
  • 可快速排除非皮肤区域,提升检测效率。
4. 图像增强
  • 只增强 Y 通道(锐化、对比度),不影响颜色。
  • 或只调整 Cb/Cr 实现"白平衡"校正。

注意事项

  1. 不要混淆 YUV 和 YCbCr:在数字图像中,基本都是 YCbCr。
  2. OpenCV 的 YUV 就是 YCbCr :放心使用 cv2.COLOR_BGR2YUV。
  3. Y ≠ 灰度图 :虽然相似,但灰度图常用 0.299R + 0.587G + 0.114B,而 Y 通道可能经过偏移(如 +16)。
  4. 色度子采样在 OpenCV 中不自动进行 :你需要手动下采样 Cb/Cr(如用 cv2.resize)。

Lab颜色空间

CIELAB(通常简称为 Lab)颜色空间 是目前最接近人类视觉感知均匀性的颜色模型之一,广泛应用于高端图像处理、色彩管理、工业检测和科学研究中。

分量 含义 取值范围(理论) OpenCV 中的实际范围
L*** 亮度(Lightness) 0(黑) → 100(白) 0--100(float32)或 0--255(uint8,需注意转换)
a*** 红-绿轴 -128(绿) → +127(红) -128 到 +127(常偏移为 0--255 存储)
b*** 黄-蓝轴 -128(蓝) → +127(黄) -128 到 +127(同上)
  • L 与 YCbCr 的 Y 类似,但经过非线性变换,更符合人眼对亮度的对数响应。
  • a 和 b 是"对立色"通道(opponent colors),源于人类视网膜的神经机制。

特点

优势 说明
感知均匀 ΔE(色差)可量化"看起来多不同"
设备无关 不依赖显示器色域
亮度/色度完全解耦 L 与 a/b 正交,互不影响
色域广 覆盖几乎所有可见色

局限

局限 说明
计算复杂 需要非线性变换,比 HSV/YCbCr 慢
OpenCV 存储不标准 uint8 导致精度损失
不适合显示/存储 显示器仍需转回 RGB
初学者难调参 a/b 范围不直观

应用场景

1. 颜色差异计算(ΔE)

工业中常用 CIE76 色差公式:

ΔE=(L1−L2)2+(a1−a2)2+(b1−b2)2ΔE=(L1​−L2​)2+(a1​−a2​)2+(b1​−b2​)2​

  • ΔE < 1:人眼几乎无法分辨
  • ΔE > 2.3:普通观察者可察觉
  • ΔE > 5:明显不同

应用:印刷品质检、纺织品配色、食品新鲜度检测(如苹果变褐)

2. 白平衡(Gray World Assumption)

假设图像平均色应为灰色(a=0, b=0):

复制代码
avg_a = np.mean(lab[:, :, 1])
avg_b = np.mean(lab[:, :, 2])
lab[:, :, 1] = lab[:, :, 1] - avg_a + 128  # 调整到中性
lab[:, :, 2] = lab[:, :, 2] - avg_b + 128
3. 高级图像增强
  • 只调整 L 通道:提升细节而不改变颜色
  • 在 a/b 通道做滤波:去除色噪
4. 医学/遥感图像分析

因 Lab 对光照变化鲁棒,适合分析组织颜色、植被健康等。

注意事项

  1. 优先在 Lab 空间做亮度增强(如 CLAHE),避免颜色失真。
  2. 不要直接用 Lab 做颜色阈值分割(不如 HSV 直观),但可用于精细色差判断。
  3. 若需高精度 Lab ,考虑使用 skimage.color.rgb2lab(基于 float64,符合标准)。
  4. 记住:Lab 是"分析用",不是"显示用" ------ 最终还是要转回 RGB 显示。

以上结果颜色空间对比

特性 RGB HSV / HSL YCbCr (YUV) Lab XYZ
设备相关 ✅ 是 (依赖色域) ✅ 是 (基于RGB) ✅ 是(基于 RGB) ❌ 否(设备无关) ❌ 否(绝对标准)
亮度独立 ❌ 耦合 ✅ (V/L 独立) ✅✅ (Y 完全独立) ✅✅(L 正交) ⚠️ 部分(Y≈亮度)
感知均匀 ❌ 差 ❌ 中等 ❌ 差 ✅✅✅ 优秀 ❌ 差(非均匀)
包含所有可见色 ❌(受限于色域) ❌ ❌ ✅(几乎全部) ✅✅ (完整可见光谱)
OpenCV 直接支持 ✅✅ ✅(HSV) ✅(YUV) ✅(LAB) ❌(需手动或用其他库)
应用场景 显示、存储、CNN 输入 颜色分割、UI 调色 JPEG、视频编码、肤色检测 色差计算、白平衡、高端增强 颜色科学、设备校准、ICC 配置文件
数学性质 线性 (但含伽马) 非线性 (圆柱/锥) 线性变换 高度非线性 (立方根) 线性 (三刺激值)
通道含义 R/G/B 原色光 色调/饱和度/明度 亮度 + 蓝差/红差 亮度 + 对立色轴 X/Y/Z 三刺激值 (无直接物理意义)

调色板

效果图

相关推荐
硅谷秋水4 天前
MorphMimic 方法分析
人工智能·机器学习·计算机视觉·机器人
jay神4 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
Rattenking6 天前
OpenCV 轨迹栏操作和键盘响应操作
人工智能·opencv·计算机外设
jay神6 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
wangxiaoxuan2177 天前
TF2 的原理与使用:把坐标、运动和观测时间一起算清楚
计算机视觉·机器人·科沃斯八界
硅谷秋水7 天前
EgoHumanoid‑V2 方法分析
人工智能·机器学习·计算机视觉·语言模型·机器人
BYSJMG7 天前
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
人工智能·深度学习·目标检测·机器学习·计算机视觉·分类·课程设计
BYSJMG7 天前
计算机毕业设计选题推荐|【基于深度学习的电梯电动车违规进入检测研究】YOLO26m+可视化大屏
人工智能·深度学习·神经网络·目标检测·机器学习·计算机视觉·课程设计
硅谷秋水8 天前
将闲科技(LiberAI)提出世界动作模型Liber-0
机器学习·计算机视觉·语言模型·机器人
ahccqw8 天前
OpenCV 车辆数量统计
人工智能·opencv·计算机视觉