色彩空间
图片放大后，就是由带有不同「颜色」的「像素块」所构成。色彩空间就是描述每个像素块的颜色在数学上应该怎么表示。
RGB 模型
根据光学三原色而来，图像中的一个像素点由一个数组[R,G,B]构成，一般该数组的类型为「一个字节的无符号整型」。
而在 OpenCV 中，采用的是反人类的[B,G,R]。
HSV 模型
HSV 模型的像素点也是通过一个「三维向量」进行表示：
Hue：色相，将所有颜色通过一个数值进行表示Saturation：饱和度，颜色与「白色」的混合程度Value：明度，颜色的明亮程度
RGB 转 HSV 公式： 公式测试
HSL 模型
整个形式和 HSV 类似
Hue：色相，与 HSV 一样Saturation：饱和度，颜色的稀释程度Lightness/Brightness：被灯光照射的亮度
| 色相 | 饱和度 | 明亮度 | |
|---|---|---|---|
| HSV | 所有颜色 | 色相中混入「白色」的量 | 色相中混入「黑色」的量 |
| HSL | 所有颜色 | 色相被稀释的程度 | 拿灯光照射的情况，没光线就黑，强烈光线就白 |
RGB转HSL公式： 公式测试
YUV 模型
-
作用： 可以对色彩空间进行压缩，说人话就是 缩减了用来表示像素颜色的数据量，这就使得该模型在图像、视频压缩上应用广泛。
-
思想： 由于人眼对颜色的感知能力较弱，反而对光影关系（黑白图）更为敏感。所以，在 YUV 模型中，精确保留了图片的「黑白关系」，而对颜色信息进行了部分删除。
-
通道：
Y：该通道储存的是「黑白关系」，即「灰度图」。UV：这两个通道储存了颜色信息。在对图片颜色时，首先就会对这个两个通道的颜色数据进行丢弃。
-
色彩空间压缩： 一共有 4 个像素，每个像素都有3个通道值表示颜色，一个通道为一个字节，那么所有数据一共就有
4 x 3 x 1B = 12B。现在通过 YUV 模型对图片进行压缩，丢掉一半的颜色信息，Y 通道全部保留4 x 1B = 4B，UV 通道丢弃一半就是2 x 4 x 1B / 2 = 4B，最后数据大小就为4B + 4B = 8B。 -
采样方式： 对于 Y 全部保留，对 UV 进行不同程度的取舍。
-
RGB与YUV转换： $$ \begin{bmatrix} Y \ U \ V \end{bmatrix} = \begin{bmatrix} 0.299 & 0.587 & 0.114\ -0.1687 & -0.3313 & 0.5 \ 0.5 & -0.4187 & -0.0813 \end{bmatrix} \begin{bmatrix} R\ G\ Ｂ \end{bmatrix}＋ \begin{bmatrix} 0 \ 128 \ 128 \end{bmatrix} $$
灰度图
OpenCV中的灰度图其实就是 YUV 模型中的 Y 通道：
Python 程序
import cv2
import numpy as np
img = cv2.imread('./asset/cat.jpeg')
# 拆分通道
b,g,r = cv2.split(img)
# YUV 模型
y = 0.299 * r + 0.587 * g + 0.114 * b
y = np.round(y).astype(np.uint8)
# cv2转换
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 显示图片
cv2.imshow('y_gray',np.hstack((y,gray)))
cv2.waitKey(0)
cv2.destroyAllWindows()OpenCV 色彩空间转换
# code : cv2.COLOR_ 指定图片色彩空间的转换方式
cvtColor(srcimage, code[, dst[, dstCn]]) -> dstImage图片的存储
-
Python实现： 读取的图片类型为
<class 'numpy.ndarray'>，即图片其实是一个数据- 数组类型：
uint8，一字节的无符号整数 - 数组维度： 三维，[高度像素，宽度像素，RGB值]
- 数组类型：
-
C++底层实现： Python 的 OpenCV 其实就是对 C++ 的版本进行了再次封装实现。在 C++ 中采用数据结构
Mat来对图片进行存储。CPPclass CV EXPORTS Mat{ public: int dims;//维数 int roWs,cols;//行列数 unsigned char * data;//存储数据的指针 int* refcount;//引用计数 ........ }class CV EXPORTS Mat{ public: int dims;//维数 int roWs,cols;//行列数 unsigned char * data;//存储数据的指针 int* refcount;//引用计数 ........ }从
Mat中可以看出，图片数据其实是存放在一个unsigned char *指向的一片内存空间中，也就是说「图片数据」与「Mat类型」是分开存放的，这就存在「深浅拷贝问题」。而 numpy 也很好的将该结构继承了下来。 -
numpy 深浅拷贝：
import numpy as np
a = np.array([1,2,3,4,5])
# 浅拷贝
b = a
c = a.view()
# 深拷贝
d = a.copy()
# 查看数据的真实内存地址
print("a: ",a.__array_interface__['data'])
print("b: ",b.__array_interface__['data'])
print("c: ",c.__array_interface__['data'])
print("d: ",d.__array_interface__['data'])图像参数
- 像素： 图片中的一个颜色块
- 颜色通道： 表示一个像素（颜色）的向量的分量，一个分量就是一个颜色通道，例如 RGB模型，像素的组成就为
[R，G，B]，这就有三个颜色通道 - 位深： 一个颜色通道值由几位二级制数表示
- 像素块坐标： 图片的左上角为坐标原点，一个坐标对应一个像素
- 分辨率： 像素坐标的宽度 x 像素坐标的高度