Python----OpenCV（圖像處理——圖像的多種屬性、RGB與BGR色彩空間、HSB、HSV與HSL、ROI區域）

Python----計算機視覺處理（opencv：像素，RGB顏色，圖像的存儲，opencv安裝，代碼展示）

Python----計算機視覺處理（Opencv：圖片顏色識別：RGB顏色空間，HSV顏色空間，掩膜）

Python----計算機視覺處理（Opencv：ROI圖像切割）

一、圖像的多種屬性

????????圖像的多種屬性圖像處理涉及到多種屬性，這些屬性可以幫助我們分析和理解圖像的內容。以下是圖像的一些常見屬性，它們在圖像分類、分割、增強等任務中都起到了至關重要的作用。

1.1、圖像分類

1.1.1、二值圖像

????????二值圖像表示的意思就是每一個像素點只由0和1構成，0表示黑色，1表示白色，而且這里的黑色和白色是純黑和純白。

1.1.2、灰度圖像

????????灰度圖像就是一個8位的位圖。什么意思呢？就是說00000001一直到11111111，這就是二進制表示。如果表示成我們常用的十進制就是0-255。其中0就表示純黑色，255就表示純白色，中間就是處于純黑色到純白色的相關顏色。

1.1.3、彩色圖像

????????計算機中所有的顏色都可以由R（紅色通道）、G（綠色通道）、B（藍色通道）來組成，其中每一個通道都有0-255個像素顏色組成。比如說R=234，G=252，B=4就表示黃色。顯示出來的也是黃色。所以說彩色圖像由三個面構成，分別對應R,G,B。

1.2、顏色屬性

1.2.1、顏色空間

?圖像的顏色可以用不同的顏色空間表示，常見的顏色空間包括：

????????RGB：紅色、綠色和藍色三個通道組成，適用于顯示設備。

????????HSV：色調、飽和度和亮度組成，適用于圖像分割任務。

????????Grayscale（灰度）：沒有顏色信息，僅有亮度信息。

????????YCbCr：亮度（Y）和色差（Cb、Cr）分量，常用于視頻編碼。

1.2.2、色調（Hue）

色調是指顏色的種類，通常用于描述色彩本身的感知。例如，紅色、綠色、藍色等。

????????飽和度（Saturation）飽和度表示顏色的強度或純度，飽和度越高，顏色越鮮艷。

????????亮度（Brightness / Value）亮度表示顏色的明亮程度，通常用于描述光的強度。

1.3、?幾何屬性

????????尺寸（Size）圖像的寬度和高度，通常以像素為單位。

????????分辨率（Resolution）圖像的清晰度，通常由每英寸的像素數（DPI）來表示。較高的分辨率意味著圖像的細節更多。

????????比例（Aspect Ratio）圖像寬高的比例，影響圖像的呈現效果和視覺感受。

常見比例：

????????1:1（正方形）

????????4:3（標準電視和舊型電視屏幕比例）

????????16:9（寬屏）

????????3:2（數碼相機和手機照片比例）

????????21:9（超寬屏）

1.4、紋理屬性

????????紋理（Texture）是指圖像中表面特征的模式或結構，它描述了圖像中的細節，如粗糙、平滑、條紋、波紋等。

紋理的特點：

????????平滑或粗糙：圖像的表面可能是平滑的，也可能是粗糙的。平滑的紋理通常表示圖像中像素值變化較小，粗糙的紋理表示像素值變化較大。

????????重復性：紋理常常呈現規律性或重復模式，像是平鋪的磚塊、樹皮的紋路等。通過重復性，計算機可以通過算法來識別出特定的紋理。

????????方向性：紋理可能具有一定的方向性，例如條紋、波紋等。方向性紋理的分析能夠提供圖像中物體或區域的結構信息。

????????尺度：紋理的特征可能在不同的尺度上有所不同。某些紋理可能在大尺度下清晰可見，而在小尺度下則難以辨認。

二、RGB與BGR色彩空間

????????OpenCV和PIL讀取圖片的格式分別是BGR和RGB。

????????OpenCV默認通道是BGR的。這是OpenCV的入門大坑之一，BGR是個歷史遺留問題，為了兼容早年的某些硬件，OpenCV也不好改回來了。

安裝PIL

????????PIL 軟件包提供了基本的圖像處理功能，如：改變圖像大小，旋轉圖像，圖像格式轉換，色場空間轉換，圖像增強，直方圖處理，插值和濾波等等。????????
pip install Pillow

import cv2
from PIL import Image
import numpy as npimg1=cv2.imread('./images/parrot.png')img2=np.array(Image.open('./images/parrot.png'))print('cv',img1[:10])
'''
cv [[[ 96 142 150][ 87 134 142][ 81 134 144]
'''
print('Image',img2[:10])
'''
Image [[[150 142  96][142 134  87][144 134  81]
'''

如何將RGB與BGR進行轉換

????????顏色變換是imgproc模塊中一個常用的功能。我們生活中大多數看到的彩色圖片都是RGB類型的，但是在進行圖像處理時需要用到灰度圖、二值圖、HSV、HSI等顏色制式，OpenCV 提供了cvtColor0函數來實現這些功能。

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

三、HSB、HSV與HSL

3.1、RGB 的局限性

????????RGB 是我們接觸最多的顏色空間，由三個通道表示一幅圖像，分別為紅色(R)，綠色(G)和藍色(B)。

理由：

????????與人眼感知不完全匹配

????????無法準確表示所有顏色

????????色彩調節不直觀

????????設備依賴性強

3.2、HSB、HSV與HLS概念定義

????????HSB 和 HSV 基本上是相同的，差異主要是在命名上，而實際應用中，HSB 有時用來表示與光的亮度相關的概念。

HSB 為色相，飽和度，明度；

HLS 為色相，飽和度，亮度，

HSV 為色相，飽和度，明度。

H ：指的是色相（Hue），就是顏色名稱，例如“紅色”、“藍色”，、“綠色”；

S ：指的是飽和度（Saturation），即顏色的純度；

L : （Lightness）和 B（Brightness）是明度，顏色的明亮程度

import cv2img1=cv2.imread('./images/parrot.png')
img2=cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
img3=cv2.cvtColor(img1,cv2.COLOR_BGR2HLS)
img4=cv2.cvtColor(img1,cv2.COLOR_BGR2HSV)cv2.imshow('BGR',img1)
cv2.imshow('RGB',img2)
cv2.imshow('HLS',img3)
cv2.imshow('HSV',img4)
cv2.waitKey(0)

四、ROI區域

????????在圖像處理過程中，我們可能會對圖像的某一個特定區域感興趣，該區域被稱為感興趣區域（Region of Interest，ROI）。在設定感興趣區域 ROI 后，就可以對該區域進行整體操作。在機器視覺、圖像處理等領域，ROI是一個重要的概念，常用于目標檢測、圖像分割和物體跟蹤等任務中。

4.1、切片操作

????????Python 中的切片操作允許你從數組中提取子數組(子圖像)。切片的語法是[startend，意味著從 start 開始，到 end-1 結束。

roi = img[20:230, 130:300, :]

20:230 ：提取圖像的行范圍。這里表示從第 20 行到第 230 行（包含 20 行，直到 229 行），這是從圖像中提取的垂直區域（即圖像的高度部分）。

130:300 ：提取圖像的列范圍。這里表示從第 130 列到第 300 列（包含 130 列，直到 299 列），這是從圖像中提取的水平區域（即圖像的寬度部分）。

: ：這表示所有的通道。即不限制顏色通道，提取所有的顏色通道（通常是 BGR，即藍色、綠色、紅色三個通道）。

4.2、ROI

import cv2# 讀取圖像
img = cv2.imread('./images/ROI.png')# 打印圖像的形狀（高度、寬度、通道數）
# 例如：(400, 600, 3) 表示高400像素，寬600像素，3個顏色通道（BGR）
print(img.shape)# 將圖像特定區域的藍色通道（索引為0）設置為0
# 區域定義：從行20到行229，從列130到列299
# [20:230] 表示從第20行開始，到第230行（不包含230行）
# [130:300] 表示從第130列開始，到第300列（不包含300列）
# [0] 表示藍色通道（OpenCV默認是BGR順序，所以0是藍色）
img[20:230, 130:300, 0] = 0# 提取圖像的感興趣區域（Region of Interest, ROI）
# 這個ROI是原始圖像中藍色通道被設置為0的同一塊區域
roi = img[20:230, 130:300, :]# 創建ROI的副本
# 這一步很重要，因為如果不使用.copy()，那么對roi的修改也會影響到原始的img圖像
roi = roi.copy()# 將ROI的所有像素的藍色通道設置為0
# 這一操作會使得提取出來的ROI圖像的藍色部分完全消失
roi[:, :, 0] = 0# 顯示修改后的原始圖像（其中一個區域的藍色通道被清除了）
cv2.imshow('images', img)# 顯示提取并修改后的ROI圖像（整個ROI的藍色通道被清除了）
cv2.imshow('roi', roi)# 等待按鍵，0表示無限等待，直到用戶按下任意鍵
cv2.waitKey(0)# 銷毀所有OpenCV創建的窗口
cv2.destroyAllWindows()

五、通道的分割與合并

????????在圖像處理中，通道是圖像數據的重要組成部分。例如，彩色圖像通常由三個通道（RGB 或 BGR）組成，每個通道表示一種顏色分量。在某些場景中，我們可能需要對單個通道進行操作，這就需要用到 OpenCV 的通道分割與通道合并功能。????????

?5.1、分割通道

????????分割圖像的通道指的是將原始圖像的不同顏色通道提取出來，通常可以通過 csplit0 來完成。

5.2、合并通道

????????將分割出的通道重新合并成一個完整的圖像，可以使用cv.merge()

import cv2
import numpy as np# 讀取圖像
img1 = cv2.imread('./images/parrot.png')# 分離圖像通道
B, G, R = cv2.split(img1)# 創建空白圖像（與原圖尺寸相同）
# np.zeros_like(img1) 創建一個與 img1 形狀和數據類型相同的全零數組。
blank = np.zeros_like(img1)# 創建只包含藍色通道的圖像
# 我們將藍色通道 (B) 與兩個零通道合并，以創建一個只包含藍色信息的圖像。
blue_img = cv2.merge([B, np.zeros_like(B), np.zeros_like(B)])# 創建只包含綠色通道的圖像
# 類似地，我們創建只包含綠色通道的圖像。
green_img = cv2.merge([np.zeros_like(G), G, np.zeros_like(G)])# 創建只包含紅色通道的圖像
# 這是紅色通道的圖像。
red_img = cv2.merge([np.zeros_like(R), np.zeros_like(R), R])# 顯示原始圖像
cv2.imshow('Original Image', img1)# 顯示藍色通道圖像
cv2.imshow('Blue Channel', blue_img)# 顯示綠色通道圖像
cv2.imshow('Green Channel', green_img)# 顯示紅色通道圖像
cv2.imshow('Red Channel', red_img)# 顯示合并后的圖像 (與原始圖像相同)
img2 = cv2.merge([B, G, R])
cv2.imshow('Merged Image', img2)# 等待按鍵
cv2.waitKey(0)# 銷毀所有OpenCV窗口
cv2.destroyAllWindows()