Opencv颜空间转换、直方图、Gamma变换

Opencv颜⾊空间转换、直⽅图、Gamma变换

⼀、颜⾊空间转换

cv2.cvtcolor(img,code)

code——转换的标识，从什么空间转换到什么空间，常⽤的有：cv2.COLOR_BGR2HSV、cv2.COLOR_HSV2BGR、

cv2.COLOR_GRAY2BGR、cv2.COLOR_BGR2GRAY

HSV空间：HSV空间是由美国的图形学专家A. R. Smith提出的⼀种颜⾊空间，HSV分别是⾊调（Hue），饱和度（Saturation）和明度（Value）。在HSV空间中进⾏调节就避免了直接在RGB空间中调节是还需要考虑三个通道的相关性。OpenCV中H的取值是[0, 180)，其他两个通道的取值都是[0, 256)，⽤于调节⾊调和明暗。

⽰例：

import cv2

import numpy as np

from matplotlib import pyplot as plt

img = cv2.imread('scene.jpg')

# 通过cv2.cvtColor把图像从BGR转换到HSV

img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# H空间中，通过增加像素灰度值可以改变图像的⾊调

turn_green_hsv = py()

turn_green_hsv[:, :, 0] = (turn_green_hsv[:, :, 0]+150) % 180

turn_green_img = cv2.cvtColor(turn_green_hsv, cv2.COLOR_HSV2BGR)

cv2.imwrite('turn_green.jpg', turn_green_img)

# 减⼩饱和度会让图像损失鲜艳，变得更灰

colorless_hsv = py()

colorless_hsv[:, :, 1] = 0.5 * colorless_hsv[:, :, 1]

colorless_img = cv2.cvtColor(colorless_hsv, cv2.COLOR_HSV2BGR)

cv2.imwrite('colorless.jpg', colorless_img)

# 减⼩明度为原来⼀半

darker_hsv = py()

darker_hsv[:, :, 2] = 0.5 * darker_hsv[:, :, 2]

darker_img = cv2.cvtColor(darker_hsv, cv2.COLOR_HSV2BGR)

cv2.imwrite('darker.jpg', darker_img)

⾊调饱和度明暗

⼆、直⽅图

⽆论是HSV还是RGB，我们都较难⼀眼就对像素中值的分布有细致的了解，这时候就需要直⽅图，Opencv中直⽅图计算函数为：

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) #返回hist

各参数：

channels：直⽅图计算的通道[0]、[1]、[2]

mask：可选的操作掩码。如果此掩码不为空，那么它必须为8位并且尺⼨要和输⼊图像images[i]⼀致

histSize：表⽰这个直⽅图分成多少份（即多少个直⽅柱）

ranges：直⽅图中各个像素的值，[0,256]表⽰直⽅图能表⽰从0到256像素值的像素accumulate：布尔量，表⽰直⽅图是否可以叠加

import cv2

import numpy as np

import matplotlib.pyplot as plt

def calcAndDrawHist(image, color):

hist= cv2.calcHist([image], [0], None, [256], [0.0,255.0])

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

histImg = np.zeros([256,256,3], np.uint8)

hpt = int(0.9* 256);

for h in range(256):

intensity = int(hist[h]*hpt/maxVal) ###相当于归⼀化

cv2.line(histImg,(h,256), (h,256-intensity), color)

return histImg

if __name__ == '__main__':

img = cv2.imread("scene.jpg")

b, g, r = cv2.split(img) >>#按通道划分图像

histImgB = calcAndDrawHist(b, [255, 0, 0])

histImgG = calcAndDrawHist(g, [0, 255, 0])

histImgR = calcAndDrawHist(r, [0, 0, 255])

cv2.imshow("histImgB", histImgB)

cv2.imshow("histImgG", histImgG)

cv2.imshow("histImgR", histImgR)

cv2.imshow("Img", img)

cv2.waitKey(0)

cv2.destroyAllWindows()

其中函数minMaxLoc()在C++下表⽰为：

void cv::minMaxLoc ( InputArray src,

double * minVal,

double * maxVal = 0,

Point * minLoc = 0,

Point * maxLoc = 0,

InputArray mask = noArray()

)

参数解释

src: 输⼊的单通道数组

minVal: double类型指针，⽤于返回最⼩值的指针，如果不需要返回则设置为NULL

maxVal: double类型的指针，⽤于返回最⼤值指针，如果不需要返回则设置为NULL

minLoc: 返回最⼩值位置指针(2D的情况下)，如果不需要则设置为NULL

maxLoc: 返回最⼤位置指针(2D情况下)，如果不需要则设置为NULL

mask: 可选掩模板。

表⽰成折线图：

import cv2

import numpy as np

img = cv2.imread('scene.jpg')

h = np.zeros((256,256,3)) #创建⽤于绘制直⽅图的全0图像

bins = np.arange(256).reshape(256,1) #直⽅图中各bin的顶点位置

color = [ (255,0,0),(0,255,0),(0,0,255) ] #BGR三种颜⾊

for ch, col in enumerate(color):

originHist = cv2.calcHist([img],[ch],None,[256],[0,256])

hist=np.int32(np.around(originHist))

pts = np.column_stack((bins,hist))

cv2.polylines(h,[pts],False,col)

h=np.flipud(h)

cv2.imshow('colorhist',h)

cv2.waitKey(0)

主要⽤到的函数包括alize()、np.column_stack()，、含义如下：

void cv::normalize ( InputArray src,

InputOutputArray dst,

double alpha = 1,

double beta = 0,

int norm_type = NORM_L2,

int dtype = -1,

InputArray mask = noArray()

)

参数解释

src: 输⼊数组

dst: 输出数组，与src有相同的尺⼨

alpha: 将数组归⼀化范围的最⼤值，有默认值1

beta: 归⼀化的最⼩值，有默认值0

norm_type: 归⼀化⽅式，可以查看NormTypes()函数查看详细信息，有默认值NORM_L2

dtype: 当该值取负数时，输出数组与src有相同类型，否则，与src有相同的通道并且深度为CV_MAT_DEPTH(dtype)

mask: 可选的掩膜版

三、Gamma变换

背景⾥的暗部细节是⾮常弱的时候，⼀个常⽤⽅法是考虑⽤Gamma变换来提升暗部细节。Gamma变换是矫正相机直接成像和⼈眼感受图像差别的⼀种常⽤⼿段，简单来说就是通过⾮线性变换让图像从对曝光强度的线性响应变得更接近⼈眼感受到的响应。具体的定义和实现，还是接着上⾯代码中读取的图⽚，执⾏计算直⽅图和Gamma变换的代码如下：

import cv2

import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

img = cv2.imread('scene.jpg')

# 分通道计算每个通道的直⽅图

hist_b = cv2.calcHist([img], [0], None, [256], [0, 256])

hist_g = cv2.calcHist([img], [1], None, [256], [0, 256])

hist_r = cv2.calcHist([img], [2], None, [256], [0, 256])

# 定义Gamma矫正的函数

def gamma_trans(img, gamma):

# 具体做法是先归⼀化到1，然后gamma作为指数值求出新的像素值再还原

gamma_table = [np.power(x/255.0, gamma)*255.0 for x in range(256)]

gamma_table = np.round(np.array(gamma_table)).astype(np.uint8)

# 实现这个映射⽤的是OpenCV的查表函数

return cv2.LUT(img, gamma_table)

# 执⾏Gamma矫正，⼩于1的值让暗部细节⼤量提升，同时亮部细节少量提升

dst指数img_corrected = gamma_trans(img, 0.5)

cv2.imwrite('gamma_corrected.jpg', img_corrected)

# 分通道计算Gamma矫正后的直⽅图

hist_b_corrected = cv2.calcHist([img_corrected], [0], None, [256], [0, 256])

hist_g_corrected = cv2.calcHist([img_corrected], [1], None, [256], [0, 256])

hist_r_corrected = cv2.calcHist([img_corrected], [2], None, [256], [0, 256])

fig = plt.figure()

pix_hists = [

[hist_b, hist_g, hist_r],

[hist_b_corrected, hist_g_corrected, hist_r_corrected]

]

pix_vals = range(256)

for sub_plt, pix_hist in zip([121, 122], pix_hists):

ax = fig.add_subplot(sub_plt, projection='3d')

for c, z, channel_hist in zip(['b', 'g', 'r'], [20, 10, 0], pix_hist):

cs = [c] * 256

#ax.bar(pix_vals, channel_hist, zs=z, zdir='y', color=cs, alpha=0.618, edgecolor='none', lw=0)

ax.plot3D(pix_vals, channel_hist, zs=z,zdir='y',color=c)

ax.set_xlabel('Pixel Values')

ax.set_xlim([0, 256])

ax.set_ylabel('Channels')

ax.set_zlabel('Counts')

plt.show()

直⽅图原图 gamma变换之后

本文发布于:2024-09-21 20:30:52，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/3/380290.html

上一篇：S1.3仿射变换、透视变换、极坐标映射演示

下一篇：生物化学英文缩写

标签：通道空间像素图像需要函数指针细节

留言与评论（共有 0 条评论）