色彩

即是颜色，一种人体视觉系统对光的反射的不同波长的感知的结果。人们又对不同的波长范围的电磁波定义可视光的“颜色”。

在日常生活、美术课中，通过把（红黄蓝）三种颜色成为”认为是能够混合得到其他所有颜色的颜料。
而对于光学，就把（红绿蓝RGB）三基色【此处为了区分名字】是能够创建其他颜色的基本。

例如，RGB值(255, 0, 0)表示纯红色，(0, 255, 0)表示纯绿色，(0, 0, 255)表示纯蓝色，(0, 0, 0)表示黑色，(255, 255, 255)表示白色。

【 1 】色彩空间（色域）

一种抽象的数学模型，以不同的维度和表示方式，色彩学中，人们建立了多种色彩模型，以一维、二维、三维甚至四维空间坐标来表示某一色彩，这种坐标系统所能定义的色彩范围即色彩空间。我们经常用到的色彩空间主要有RGB、CMYK、Lab等。

常见的：

（1）RGB色彩空间

三种基本颜色的不同组合来表示颜色，在计算机图像和电视显示技术中广泛使用。

与xyz色彩空间的转换

将 RGB 色彩空间转换为 XYZ 色彩空间

import cv2 as cv

# 读取RGB图像
img_rgb = cv.imread("image.jpg")

# 将RGB图像转换为XYZ图像
img_xyz = cv.cvtColor(img_rgb, cv.COLOR_BGR2XYZ)

将 XYZ 色彩空间转换为 RGB 色彩空间

import cv2 as cv

# 读取XYZ图像
img_xyz = cv.imread("image.jpg")

# 将XYZ图像转换为RGB图像
img_rgb = cv.cvtColor(img_xyz, cv.COLOR_XYZ2BGR)

（2）CMYK色彩空间

青色（Cyan）、品红（Magenta）、黄色（Yellow）加上黑色（Key）四种基本颜色的不同组合来表示颜色。主要用于印刷业。[全彩印刷]

此处缩写使用最后一个字母K而非开头的B，是因为在整体色彩学中已经将B给了RGB的Blue蓝色

（3）HSV（Hue, Saturation, Value）色彩空间

HSV代表色调（Hue）、饱和度（Saturation）、明度（Value）。

• 色调（Hue）：表示颜色的种类，如红色、蓝色、绿色等。在HSV模型中，色调被表示为角度，范围从0到360度。若从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°。它们的补色是：黄色为60°，青色为180°，紫色为300°；

• 饱和度（Saturation）：表示颜色的纯度，饱和度越高，颜色越纯，饱和度越低，颜色越接近灰色。在HSV模型中，饱和度的范围是0到1。

• 明度（Value）：表示颜色的亮度。在HSV模型中，明度的范围也是0到1，0表示完全的黑色，1表示最亮的颜色。

OpenCV中，可以使用cv.cvtColor函数将RGB色彩空间转换为HSV色彩空间

hsv_image = cv.cvtColor(rgb_image, cv.COLOR_RGB2HSV)

色调（Hue）是指光的颜色，与光的波长相关。不同的波长对应不同的色调，例如红色、橙色、黄色等。

饱和度（Saturation）表示颜色的纯净度或深浅程度。高饱和度的颜色是纯净的，没有混合其他颜色的成分。低饱和度的颜色则含有更多的灰色或白色成分，使其看起来较淡。

亮度（Value）反映了光的明暗程度，即颜色的明亮度。较高的亮度表示颜色较亮，较低的亮度表示颜色较暗。亮度受到颜色中白色或黑色成分的影响，白色成分增加会使亮度增加，黑色成分增加会使亮度减少。

这些概念描述了颜色的不同特性，色调决定了颜色的种类，饱和度决定了颜色的纯净度，亮度决定了颜色的明暗程度。

（4）YUV和YCbCr色彩空间

Y表示亮度信息，U和V或Cb和Cr表示色度信息，这种分离的方式使得视频压缩更为高效。

【 2 】色彩空间转换

是指有一种色彩空间的状态以另一种方式表现出来。
例如：RGB -> HSV 或者RGB -> GRAY
而在OpenCV中，cv的表现是BGR那么就是BGR向HSV或者GRAY等的转变

cv.cvtColor(input_image,flag)

input_image 是需要进行空间转换的图像
flag为转换后的类型

cv.COLOR_BGR2GRAY:bgr->gray

cv.COLOR_BGR2HSV:bgr->hsv 

2.1 GRAY色彩空间

GRAY色彩空间，也被称作灰度色彩空间，每个像素按照一个通道去 ’ 灰度 ’ 表示。

这种灰度在先前也介绍过，当时我们以二值图像为引，二值是非黑即白的图像，而在灰度图中给其划分开了 ‘ 灰度级别 ’ (只有256个灰度级别，像素值的范围：[0，255] ，由黑向白）

它可以帮助在图像处理和计算机视觉人物中简化问题，降低复杂性，同时仍然保留了大部分的结构和形状信息。

2.1.1 转换方式：

Gray = 0.299*R + 0.587*G + 0.114*B

这种权重分布是基于人眼对不同颜色的敏感度来设计的。人眼对绿色的敏感度最高，红色次之，蓝色最低。这是因为人眼中的视网膜上有三种类型的颜色感受器，分别对红色、绿色和蓝色光最为敏感。

2.1.2 BGR -> GRAY

由于OpenCV默认是BGR的显示方式。
可以使用cvtColor函数是OpenCV库中的一个函数，用于将图像从一个颜色空间转换到另一个颜色空间。

cvtColor(src, code[, dst[, dstCn]]) -> dst

The conventional ranges for R, G, and B channel values are:
. - 0 to 255 for CV_8U images
. - 0 to 65535 for CV_16U images
. - 0 to 1 for CV_32F images

参数：

import numpy as np
import cv2 as cv

# 读取一张彩色图片
img = cv.imread('./Pic/test_img.jpg')

# 创建一个与输入图像同样大小的空图像，用于存储转换结果
dst = np.zeros_like(img)

# 使用cvtColor函数将图片从BGR色彩空间转换到灰度色彩空间
# 我们提供了dst参数，所以函数将把转换结果存储在这个图像中
# 我们也提供了dstCn参数，指定输出图像的通道数为1
cv.cvtColor(img, cv.COLOR_BGR2GRAY, dst=dst, dstCn=1)

# 打印转换后的图像的通道数，应该为1
print(dst.shape)

# (864, 1920, 3)

np.zeros_like(img)将创建一个与img具有相同形状（即相同的行数和列数）和数据类型的全零数组。这意味着返回的数组将具有与img相同的维度，并且每个元素都将被初始化为零。

这个函数在上述示例中的作用是创建一个与输入图像img具有相同大小和深度的空图像，用于存储cvtColor函数的转换结果。通过使用np.zeros_like(img)，我们可以确保创建的空图像与输入图像具有相同的形状和数据类型，从而避免了在转换过程中出现大小或类型不匹配的错误。

原图

没有参数

import cv2 as cv

# 读取一张彩色图片
img = cv.imread('pic.jpg')

# 使用cvtColor函数将图片从BGR色彩空间转换到灰度色彩空间
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 打印转换后的图像的通道数，应该为1
print(gray.shape)

2.1.3 如何证明Gray = 0.299*R + 0.587*G + 0.114*B

（1） 把彩色图拆分成三层图层

使用函数b,g,r=cv.split(img1)

Step1: 基本代码

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img1=cv.imread("Pic/test_img.jpg")
# img1=cv.imread("Pic/test_img.jpg",0)  实现下面的同理
src=cv.cvtColor(img1,cv.COLOR_BGR2GRAY)
plt.imshow(img1[:,:,::-1])

Step2：拆分

b,g,r=cv.split(img1)
img1

Step3：拆分情况
[ 1 ] 灰度的src（原图img1）

[ 2 ] b

[ 3 ] g

[ 4 ] r

Step4：计算（因为是整数所以会四舍五入计算）

（2）证明当图像由 GRAY 色彩空间转换为 RGB 色彩空间时，最终所有通道的值都将是相同的。

从灰度图像（GRAY）转换回RGB图像时，所有的R、G、B通道的值都会是相同的。这是因为灰度图像只有一个通道，所以在转换回RGB图像时，这个单一的通道的值会被复制到R、G、B三个通道。

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 读取灰度图像
img_gray = cv.imread("Pic/test_img.jpg", 0)

# 将灰度图像转换为RGB图像
img_rgb = cv.cvtColor(img_gray, cv.COLOR_GRAY2BGR)

# 分离RGB通道
b, g, r = cv.split(img_rgb)

# 检查R、G、B三个通道的值是否相同
print("R == G: ", np.all(r == g))
print("R == B: ", np.all(r == b))
print("G == B: ", np.all(g == b))

首先读取一个灰度图像，然后将其转换为RGB图像。然后，它分离出R、G、B三个通道，并检查这三个通道的值是否相同。如果所有的输出都是True，那么就证明了在从灰度图像转换为RGB图像时，所有的R、G、B通道的值都是相同的。

RGB三个通道的值

【3】类型转换函数

dst = cv2.cvtColor( src, code [, dstCn] )

cv2.cvtColor() 是OpenCV中的一个函数，用于进行颜色空间的转换。它接受三个参数：

• src：输入图像，可以是一个NumPy数组或一个OpenCV的Mat对象。
• code：颜色空间转换的代码，指定了要进行的转换类型。常见的转换类型包括：
• cv2.COLOR_BGR2GRAY：将BGR图像转换为灰度图像。
• cv2.COLOR_BGR2HSV：将BGR图像转换为HSV色彩空间。
• cv2.COLOR_BGR2RGB：将BGR图像转换为RGB色彩空间。
• 其他转换类型可以在OpenCV的文档中找到。
• dstCn（可选）：目标图像的通道数。默认值为0，表示与输入图像的通道数相同。

函数的返回值是转换后的图像，以NumPy数组的形式返回。

【4】标记指定颜色

在 HSV 色彩空间中，H 通道（饱和度 Hue 通道）对应不同的颜色。

1．通过inRange函数锁定特定值

OpenCV 中通过函数 cv2.inRange()来判断图像内像素点的像素值是否在指定的范围内，其
语法格式为：
dst = cv2.inRange( src, lowerb, upperb )
式中：
 dst 表示输出结果，大小和 src 一致。
 src 表示要检查的数组或图像。
 lowerb 表示范围下界。
 upperb 表示范围上界。
返回值 dst 与 src 等大小，其值取决于 src 中对应位置上的值是否处于区间[lowerb,upperb]
内：
 如果 src 值处于该指定区间内，则 dst 中对应位置上的值为 255。
 如果 src 值不处于该指定区间内，则 dst 中对应位置上的值为 0

后续待更新