---

前言

• 通過今天的學習，我掌握了OpenCV中有關圖像顏色轉換，灰度化，二值化的基本原理和操作方式

---

一、圖像顏色轉換

• 我們常見的單張圖像，不僅可以用 RGB 顏色空間來描述其色彩信息 ，還可以用 HSV 顏色空間來表示

1.HSV顏色空間

• RGB顏色模型使用紅、綠、藍三原色的強度來表示顏色，是一種加色法模型，即顏色的混合是添加三原色的強度。而HSV顏色空間使用色調（Hue）、飽和度（Saturation）和亮度（Value）三個參數來表示顏色
• HSV顏色空間更加符合人類對顏色的感知方式
• 顏色調整更加直觀，只需要調整色調和飽和度即可完成對圖像顏色的調整
• 在圖像處理中分割某種顏色物體時，只需在HSV空間中限定H的范圍，而無需同時處理R、G、B三個通道的復雜組合，使用更加簡便

2.顏色轉換

• 我們可以將使用RGB顏色模型表示的圖像轉換為灰度圖或者使用HSV顏色空間表示
• cv.cvtColor(img,code)

img = cv.imread('img\cat1.png')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) #RBG轉換為灰度圖
hsv = cv.cvtColor(img,cv.COLOR_BGR2HSV) #RBG轉換為HSV
cv.imshow('img',img)
cv.imshow('gray',gray)
cv.imshow('hsv',hsv)
cv.waitKey(0)
cv.destroyAllWindows()

二、灰度化

• 灰度化是圖像處理以及計算機視覺的常用操作，就是將彩色圖像轉換為灰度圖像的過程
• 灰度圖只有一個通道，以下介紹三種方法進行灰度化

1.最大值法

• 顧名思義就是將RBG三通道中的最大值取出作為灰度圖的像素值

img = cv.imread('img\cat1.png')
h,w,_ = img.shape
img1 = np.zeros((h,w),dtype=np.uint8)
for i in range(h):for j in range(w):arr = img[i][j]max_val = max(arr[0],arr[1],arr[2])img1[i][j] = max_val
cv.imshow('img1',img1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

2.平均值法

• 將RBG三通道的像素值取平均值取出作為灰度圖的像素值

img = cv.imread('img\cat1.png')
h,w,_ = img.shape
img1 = np.zeros((h,w),dtype=np.uint8)
for i in range(h):for j in range(w):arr = img[i][j]mean_val = np.uint8(int(img[i][j][0])+int(img[i][j][1])+int(img[i][j][2])//3)img1[i][j] = max_val
cv.imshow('img1',img1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

tips:在之前的章節提到，圖像是uint8類型的數組，使用Numpy的加法是取模運算，使用int函數進行類型轉換可以避免數據溢出

3.加權均值法

• 與均值法類似，只不過為每個通道的像素值加入了權重

img = cv.imread('img\cat1.png')
h,w,_ = img.shape
wr,wg,wb = 0.3,0.5,0.2
img1 = np.zeros((h,w),dtype=np.uint8)
for i in range(h):for j in range(w):val = round(wb*img[i][j][0] + wg*img[i][j][1] + wr*img[i][j][2])img1[i][j] = val
cv.imshow('img1',img1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

三、二值化

• 在對圖像進行灰度化處理后，我們可以進一步對圖像進行二值化操作（也就是二值化的操作對象必須是灰度圖），使得圖像的所有像素值只有兩種值
• 通過二值化處理，能夠幫助我們更好地分析圖像中的形狀、邊緣和輪廓等特征
• 以下介紹幾種常用的二值化處理方法

1.全局閾值法

• 對于整個灰度圖像，只設定一個閾值

1.閾值法(THRESH_BINARY)

• 通過設定一個閾值，將灰度圖中每一個點的像素值與之比較，如果小于閾值則設置為0，否則設置為maxval（需要自定義，通常設定為255）

2.反閾值法(THRESH_BINARY_INV)

• 與閾值法操作相反，即將灰度圖中每一個點的像素值與之比較，如果小于閾值則設置為maxval，否則設置為0

3.截斷閾值法(THRESH_TRUNC)

• 該方法將灰度圖中每一個點的像素值與閾值比較，大于閾值的設置為閾值，否則不改變

4.低閾值零處理(THRESH_TOZERO)

• 該方法將灰度圖中每一個點的像素值與閾值比較，低于閾值設置為0，否則不變

5.超閾值零處理(THRESH_TOZERO_INV)

• 該方法將灰度圖中每一個點的像素值與閾值比較，低于閾值不變，高于閾值設置為0

6.OTSU算法

• 該算法較為特殊，不是單純的閾值方法，通常它會結合THRESH_BINARY 或 THRESH_BINARY_INV
• OTSU算法是通過一個值將這張圖分前景色和背景色（也就是灰度圖中小于這個值的是一類，大于這個值的是一類。例如，如果你設置閾值為128，則所有大于128的像素點可以被視作前景，而小于等于128的像素點則被視為背景。
• 該算法將自動計算閾值
• OTSU算法就是在灰度圖的像素值范圍內遍歷閾值T，使得g(（類間方差）)最大，基本上雙峰圖片的閾值T在兩峰之間的谷底
  

7.代碼展示

img = cv.imread('img\cat1.png')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)_,binary = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_BINARY) #閾值法
_,binary_inv = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_BINARY_INV) #反閾值法
_,binary_tru = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_TRUNC) #截斷閾值法
_,binary_zero = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_TOZERO) #低閾值零處理
_,binary_zero_inv = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_TOZERO_INV) #超閾值零處理
_,otsu = cv.threshold(gray,thresh=150,maxval=255,type=cv.THRESH_OTSU) #OTSU閾值法，默認結合閾值法
adapt = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,3,10)
adapt_guass = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,3,10)
cv.imshow('gray',binary)
cv.imshow('gray1',binary_inv)
cv.imshow('gray2',binary_tru)
cv.imshow('gray3',binary_zero)
cv.imshow('gray4',binary_zero_inv)
cv.imshow('otsu',otsu)
cv.imshow('adapt',adapt)
cv.imshow('adapt',adapt_guass)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

2.局部閾值法

• 當圖片呈現出明暗分布不均勻的時候，如果繼續使用全局閾值法可能導致結果不夠準確，這時候我們可以使用自適應二值化的方法，對每一個像素點計算一個閾值，在結合普通的閾值法或反閾值法即可得到更加準確的結果

• cv2.adaptiveThreshold(image_np_gray, maxval, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)

• maxval：最大閾值，一般為255

• adaptiveMethod：小區域閾值的計算方式：

• thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是閾值法和反閾值法

• blockSize：選取的小區域的面積，如7就是7*7的小塊。

• c：最終閾值等于小區域計算出的閾值再減去此值

• ADAPTIVE_THRESH_MEAN_C：小區域內取均值

• • 該方法使用指定大小的區域，計算區域內像素點的均值
    

adapt = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,3,10)

• ADAPTIVE_THRESH_GAUSSIAN_C：小區域內加權求和，權重是個高斯核
• • 該方法對指定大小區域內像素求加權均值，權重來自高斯分布
• • 在opencv里，當kernel(小區域)的尺寸為1、3、5、7并且用戶沒有設置sigma的時候(sigma <= 0),核值就會取固定的系數，這是一種默認的值是高斯函數的近似
    
• • 比如kernel的尺寸為3*3時，使用
    $$\left[\begin{array}{c}0.25\\ 0.5\\ 0.25\end{array}\right]\times \left[0.250.50.25\right]$$
    進行矩陣的乘法，就會得到如下的權重值，其他的類似。
    $$kernel=\left[\begin{array}{c}0.06250.1250.0625\\ 0.1250.250.125\\ 0.06250.1250.0625\end{array}\right]$$
    通過這個高斯核，即可對圖片中的每個像素去計算其閾值，并將該閾值減去固定值得到最終值
    

adapt_guass = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,3,10)

tips：使用高斯核可以降低噪聲對二值化的干擾，因為通常噪聲原理所選定的區域，對應的權重較小，對最終結果的影響也就越小

---

THE END