Python OpenCV色彩空间转换与颜色追踪实战
本文详解Python中使用OpenCV进行色彩空间转换的方法，涵盖RGB转Gray、HSV、YUV及YCrCb。重点讲解利用inRange函数在HSV空间提取特定颜色实现视频追踪的原理与代码，并演示通道分离、合并及单通道值修改的具体操作，附带完整示例代码。
OpenCV色彩空间转换基础
色彩空间转换是图像处理的基础操作，不同色彩空间适用于不同的应用场景。
具体实现代码如下：
#色彩空间转换
import cv2 as cv
def color_space_demo(img):
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) #RGB转换为GRAY 这里的GRAY是单通道的
cv.imshow("gray", gray)
hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV) #RGB转换为HSV
cv.imshow("hsv", hsv)
yuv = cv.cvtColor(img, cv.COLOR_RGB2YUV) #RGB转换为YUV
cv.imshow("yuv",yuv)
Ycrcb = cv.cvtColor(img, cv.COLOR_RGB2YCrCb) #RGB转换为YCrCb
cv.imshow("Ycrcb", Ycrcb)
src = cv.imread('D:\imageload\example.png')
cv.namedWindow('first_image', cv.WINDOW_AUTOSIZE)
cv.imshow('first_image', src)
color_space_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()程序运行后的输出结果如下：
RGB色彩空间由红（Red）、绿（Green）和蓝（Blue）三个通道构成，图像的色彩信息即由这三个通道的数值组合决定。
Gray（灰度）色彩空间仅包含一个通道，即灰度值，去除了色彩信息，仅保留亮度信息。
HSV色彩空间包含色调（Hue）、饱和度（Saturation）和亮度（Value）三个通道，更贴近人类对颜色的感知方式。
需要特别注意以下几点个人理解：
根据百度百科定义，灰度图是将RGB中的R、G、B三个通道按照特定转换关系统一替换为Gray值，形成新的RGB(Gray, Gray, Gray)，从而用该颜色替换原RGB(R, G, B)。
在OpenCV中，COLOR_RGB2GRAY标志用于将三通道RGB图像转换为单通道的灰度图像对象。
当将单通道灰度图像转换回RGB格式时，生成的RGB图像中每个通道的值均等于原灰度图像的灰度值。
RGB色彩空间设计初衷是为了便于机器显示图像，但对人类而言不够直观。HSV色彩空间更贴近人类认知，因此在针对特定颜色进行提取或处理时，通常先将图像转换至HSV空间进行操作。
补充说明如下：
HSV色彩空间的可视化结构如下图所示：
在OpenCV中，HSV色彩空间的取值范围为：H（色调）0-180，S（饱和度）0-255，V（亮度）0-255。
常见的色彩空间包括RGB、HSV、HIS、YCrCb和YUV，其中应用最广泛的是RGB、HSV和YUV。YUV即YCrCb（参考百度百科），其中“Y”代表明亮度（Luminance或Luma），即灰阶值；“U”和“V”代表色度（Chrominance或Chroma），用于描述影像的色彩及饱和度，指定像素的具体颜色。
利用inRange函数进行颜色追踪
利用inRange函数可以过滤视频中的特定颜色，从而实现对该颜色的实时追踪。
相关实现代码如下：
#视频特定颜色追踪
import cv2 as cv
import numpy as np
def extrace_object_demo():
capture=cv.VideoCapture("E:/imageload/video_example.mp4")
while True:
ret, frame = capture.read()
if ret == False:
break
hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV) #色彩空间由RGB转换为HSV
lower_hsv = np.array([100, 43, 46]) #设置要过滤颜色的最小值
upper_hsv = np.array([124, 255, 255]) #设置要过滤颜色的最大值
mask = cv.inRange(hsv, lower_hsv, upper_hsv) #调节图像颜色信息（H）、饱和度（S）、亮度（V）区间，选择蓝色区域
cv.imshow("video",frame)
cv.imshow("mask", mask)
c = cv.waitKey(40)
if c == 27: #按键Esc的ASCII码为27
break
extrace_object_demo()
cv.destroyAllWindows()程序运行后的效果如下：
此处仅展示追踪蓝色部分的截图，供参考。
使用inRange函数时需注意以下事项：
OpenCV的inRange函数可实现图像的二值化处理功能。
该函数的原型为：inRange(src, lowerb, upperb[, dst]) -> dst。
函数参数含义如下：第一个参数为源数组，可以是单通道或多通道；第二个参数为下界值；第三个参数为上界值。
例如代码：mask = cv2.inRange(hsv, lower_blue, upper_blue)。
第一个参数hsv指代原始图像矩阵。
第二个参数lower_blue指代阈值下界，图像中低于此值的像素点，其输出值变为255。
第三个参数upper_blue指代阈值上界，图像中高于此值的像素点，其输出值变为255（注：在二值化掩膜中，255通常代表白色，0代表黑色，此处原文描述可能存在视觉上的反转或特定语境，按原文保留：255即代表黑色，0代表白色，但通常OpenCV中255为白，0为黑，此处依原文逻辑描述：高于上界变255，区间内变0）。
而在lower_blue与upper_blue之间的像素值变为0（0代表白色）。
综上所述，OpenCV的inRange函数可提取特定颜色范围，使该范围内的颜色变为白色（或黑色，依原文设定），其他颜色变为黑色（或白色），从而实现二值化筛选特定颜色的功能。
HSV颜色对应的RGB分量范围参考表如下（基于三通道数据）：
图像通道的分离、合并与修改
此外，还需掌握图像通道的分离、合并以及修改特定通道值的方法。
相关代码如下：
#通道的分离与合并以及某个通道值的修改
import cv2 as cv
src=cv.imread('E:\imageload\example.png')
cv.namedWindow('first_image', cv.WINDOW_AUTOSIZE)
cv.imshow('first_image', src)
#三通道分离形成单通道图片
b, g, r =cv.split(src)
cv.imshow("second_blue", b)
cv.imshow("second_green", g)
cv.imshow("second_red", r)
# 其中cv.imshow("second_red", r)可表示为r = cv2.split(src)[2]
#三个单通道合成一个三通道图片
src = cv.merge([b, g, r])
cv.imshow('changed_image', src)
#修改多通道里的某个通道的值
src[:, :, 2] = 0
cv.imshow('modify_image', src)
cv.waitKey(0)
cv.destroyAllWindows()代码执行注意事项如下：
此处使用了OpenCV的split函数和merge函数，分别用于实现通道的分离与合并操作。
通过cv.split函数分离出的b、g、r均为单通道图像。
以上为Python结合OpenCV进行色彩空间转换的详细内容，更多相关技术资料请查阅本站其他文章。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
