图像处理 - 色彩空间转换

embedded/2024/11/25 12:52:27/

色彩空间转换的含义与原理

       色彩空间转换是指将一种颜色模型或表示方式中的颜色数据映射到另一种颜色模型中的过程。色彩空间（Color Space）本质上是一个三维坐标系统，每个点都表示图像中的某种颜色。在实际应用中，由于不同的色彩空间在不同的处理任务中具有不同的优势，因此色彩空间的转换被广泛应用于图像处理、计算机视觉、图像压缩、视频编码等领域。

       色彩空间的转换通常依赖于对颜色分量的加权和计算，具体的实现过程会依赖于原色彩空间和目标色彩空间的定义。转换的目的是简化或优化处理流程，通常是在不同的颜色感知特征和应用需求之间找到平衡。

示例图像

以下面的RGB图像作为示例：

                         图1  RGB示例图像 

常见的色彩空间及转换

下面是几种常见的色彩空间及其转换过程、表示含义和应用场景。

1、RGB色彩空间 

1.1、定义

    RGB色彩空间基于人眼的感知原理，它使用三种原色（红色、绿色、蓝色）作为颜色的基本成分。图像中的每个颜色可以通过RGB三个通道的强度值来表示，常用于显示设备如计算机屏幕、相机传感器等。

1.2、各通道表示

  • R：红色通道的强度
  • G：绿色通道的强度
  • B：蓝色通道的强度

  •                图2  R、G、B各通道图像

  • 如图2所示，为RGB图像中各个通道的图像。

        RGB色彩空间是最常见的色彩空间，用于显示设备。它的缺点是难以与人眼感知的色彩一致，因此在色彩处理（如色调、饱和度、亮度）时可能会有不方便之处。

1.3、应用场景

  • 显示设备（显示器、电视）
  • 摄像头图像采集
  • 数字图像处理

2、HSV色彩空间 

1.1、定义

      HSV色彩空间通过色相、饱和度和明度来表示颜色，具有更好的直观性，符合人类对颜色的感知方式。它常用于图像处理中的颜色提取、目标追踪、分割等任务。

​​

图3  HSV图像 

1.2、各通道表示

  • H：色相（Hue），表示颜色的种类或色调，通常用角度（0°到360°）表示。例如，0°表示红色，120°表示绿色，240°表示蓝色。
  • S：饱和度（Saturation），表示颜色的纯度，值为0到1。0表示灰色，1表示最纯的颜色。
  • V：明度（Value），表示颜色的亮度，值范围为0到1。0表示黑色，1表示最亮的颜色。

                 图4  H、S、V各通道图像 

1.3、转换过程

  • 计算RGB的最大值和最小值。
  • 计算亮度（V）为最大值。
  • 如果最大值和最小值相同（即图像为单色），则色调（H）为0，饱和度（S）为0。
  • 如果最大值和最小值不同，计算色调（H）和饱和度（S）：
    • 计算差值（max - min）。
    • 计算饱和度（S）为（max - min）/ max。
    • 根据哪个颜色通道的值最大，确定色调（H）。

1.4、应用场景

  • 颜色分割（如基于颜色的物体识别）
  • 图像增强和修正（如调整图像的色调或饱和度）
  • 图像分析与计算机视觉

3、Lab色彩空间 

1.1、定义

      Lab色彩空间是基于国际照明委员会（CIE）提出的模型，目的是描述人类视觉感知到的颜色。Lab空间具有设备无关性，不依赖于显示设备或照明条件，因此常用于颜色管理和色彩匹配。

​​

           图5   LAB图像 

1.2、各通道表示

  • L：亮度（Lightness），表示颜色的明亮程度，范围从0到100。
  • a：红绿轴（从绿色到红色的范围），负值表示绿色，正值表示红色。
  • b：黄蓝轴（从蓝色到黄色的范围），负值表示蓝色，正值表示黄色。

                      图6  L、A、B各通道图像 

1.3、转换过程

  • 将RGB值标准化到[0, 1]范围内。
  • 使用以下公式将RGB转换为XYZ色彩空间：
    • X = 0.412453R + 0.357580G + 0.180423B
    • Y = 0.212671R + 0.715160G + 0.072169B
    • Z = 0.019334R + 0.119193G + 0.950227B
  • 将XYZ转换为Lab：
    • L = 116f(Y/Yn) - 16 (对于Y/Yn > 0.008856时，L = 116 * Y/Yn - 16，否则L = 903.3 * Y/Yn)
    • a = 500 * (f(X/Xn) - f(Y/Yn))
    • b = 200 * (f(Y/Yn) - f(Z/Zn))
    • 其中f(x)是辅助函数，对于x > 0.008856时，f(x) = x^(1/3)，否则f(x) = (7.787x + 4/29)
    • Xn, Yn, Zn是XYZ色彩空间的白色参考点，通常是D65标准光源的值。

1.4、应用场景

  • 精确颜色匹配和色彩管理（例如在印刷和设计中）
  • 图像处理中的颜色差异检测
  • 高精度的图像质量控制

4、YCbCr色彩空间 

1.1、定义

      YCbCr色彩空间常用于视频编码、视频压缩及图像格式（如JPEG）。它将图像的亮度信息（Y）与色度信息（Cb和Cr）分离，这样可以优化图像存储和传输。

​​

  图7    YCbCr图像

1.2、各通道表示

  • Y：亮度（Luma），表示图像的亮度部分，通常取值范围为0到255。
  • Cb：蓝色差分量（Chrominance），表示蓝色与亮度的差异，通常为-128到+127。
  • Cr：红色差分量（Chrominance），表示红色与亮度的差异，通常为-128到+127。

               图8   Y、Cb、Cr各通道图像

1.3、转换过程

  • RGB -> YCbCr： 使用以下公式进行转换：
  • Y = 0.299R + 0.587G + 0.114B
  • Cb = -0.1687R - 0.3313G + 0.5B + 128
  • Cr = 0.5R - 0.4187G - 0.0813B + 128

1.4、应用场景

  • 视频压缩（如MPEG、H.264）
  • 图像编码（如JPEG）
  • 视频信号的处理与传输

总结

       色彩空间转换在图像处理和计算机视觉中有着广泛的应用。每种色彩空间的选择和转换都有其特定的用途和优势：

  • RGB：适合用于显示设备，易于理解，但不适合直接进行颜色分析。
  • HSV/HSL：更接近人眼对颜色的感知，适用于图像分割、目标追踪等应用。
  • Lab：设备无关，适用于高精度颜色管理和色彩匹配。
  • YCbCr：适用于视频压缩和编码，能有效减少数据量。

不同色彩空间间的转换能够帮助我们更好地处理和优化图像数据，使得图像分析和处理任务更高效。

% --- RGB 颜色空间立方体 ---
subplot(2, 2, 1);
[X, Y, Z] = ndgrid(linspace(0, 1, 10), linspace(0, 1, 10), linspace(0, 1, 10));
scatter3(X(:), Y(:), Z(:), 50, [X(:), Y(:), Z(:)], 'filled');
xlabel('R (Red)');
ylabel('G (Green)');
zlabel('B (Blue)');
title('RGB 颜色空间');
axis([0 1 0 1 0 1]);
grid on;% --- HSV 颜色空间立方体 ---
subplot(2, 2, 2);
% 将 RGB 转换为 HSV，并取值范围 [0, 1]
[H, S, V] = ndgrid(linspace(0, 1, 10), linspace(0, 1, 10), linspace(0, 1, 10));
% 将 H, S, V 合并为 MxNx3 的矩阵，符合 hsv2rgb 函数的要求
HSV = cat(4, H, S, V);
HSV = reshape(HSV, [], 3); % 将其变为 Mx3 矩阵
% 使用 hsv2rgb 转换
rgb = hsv2rgb(HSV);
% 显示转换后的 RGB 值
scatter3(H(:), S(:), V(:), 50, rgb, 'filled');
xlabel('H (Hue)');
ylabel('S (Saturation)');
zlabel('V (Value)');
title('HSV 颜色空间');
axis([0 1 0 1 0 1]);
grid on;% --- LAB 颜色空间立方体 ---
subplot(2, 2, 3);
% 创建 LAB 空间，L 在 [0, 100] 范围内，a 和 b 在 [-128, 128] 范围内
[L, a, b] = ndgrid(linspace(0, 100, 10), linspace(-128, 128, 10), linspace(-128, 128, 10));
% 将 LAB 数据合并为 Mx3 矩阵
LAB = cat(4, L, a, b);
LAB = reshape(LAB, [], 3); % 转换为 Mx3 矩阵
% 将 LAB 转换为 RGB 用于显示
rgb = lab2rgb(LAB);
scatter3(L(:), a(:), b(:), 50, rgb, 'filled');
xlabel('L (Lightness)');
ylabel('a (Green-Red)');
zlabel('b (Blue-Yellow)');
title('LAB 颜色空间');
axis([0 100 -128 128 -128 128]);
grid on;% --- CIELAB 颜色空间立方体 ---
subplot(2, 2, 4);
% CIELAB 与 LAB 实际上是相同的，因此使用相同的数据
% 在这个例子中，我们直接使用 LAB 空间，显示的是 CIELAB 立方体
scatter3(L(:), a(:), b(:), 50, rgb, 'filled');
xlabel('L (Lightness)');
ylabel('a (Green-Red)');
zlabel('b (Blue-Yellow)');
title('CIELAB 颜色空间');
axis([0 100 -128 128 -128 128]);
grid on;% 调整整体布局
sgtitle('不同颜色空间的 3D 立方体');


http://www.ppmy.cn/embedded/140379.html

相关文章

子矩阵的和（矩阵前缀和）

子矩阵的和（矩阵前缀和）

题目链接：用户登录 - C语言网 在这里可以模拟一下就知道了， 记录每个 （0，0） 到 （i,j）的矩阵和 然后区间子矩阵的和，就减去多余的部分的矩阵和就可以得到了 子矩阵的和 然后 这里最…
阅读更多...
一、语言及算法基础篇--​基础(一) C++语言​--第一章 C++语言入门

一、语言及算法基础篇--​基础(一) C++语言​--第一章 C++语言入门

一、语言及算法基础篇 基础(一) C语言 第一章 C语言入门 题号题目名称题解1000入门测试题目1000：入门测试题目（http://ybt.ssoier.cn:8088/problem_show.php?pid1000）2060【例1.1】计算机输出2061【例1.2】梯形面积2061：【例1.…
阅读更多...
晶圆测试中自动化上下料的重要性与应用

晶圆测试中自动化上下料的重要性与应用

随着科技的飞速发展，硅光技术在通信、数据处理等领域展现出巨大的应用潜力。硅光晶圆作为硅光技术的核心源头组件，其性能的稳定性和可靠性对于整个系统的运行至关重要。因此，对硅光晶圆的测试成为生产过程中不可或缺的一环。近年来&#xff0…
阅读更多...
CentOS8.5.2111（7）完整的Apache综合实验

CentOS8.5.2111（7）完整的Apache综合实验

一、实验目标 1.掌握Linux系统中Apache服务器的安装与配置； 2.掌握个人主页、虚拟目录、基于用户和主机的访问控制及虚拟主机的实现方法。 二、实验要求 练习使用linux系统下WEB服务器的配置方法。 三、实验背景 重庆工程学院为筹备“重庆工程大学”特申请了c…
阅读更多...
python 什么是数据类dataclass，以及它的应用场景

python 什么是数据类dataclass，以及它的应用场景

一、什么是数据类dataclass? dataclass 是 Python 3.7 引入的一个模块，旨在简化类的定义，特别是对于那些主要用于存储数据的类。它通过自动生成常见的方法（如 __init__、__repr__、__eq__ 等）来减少样板代码，使得开发…
阅读更多...
C#构建一个简单的前馈神经网络

C#构建一个简单的前馈神经网络

1. 神经网络的基本概念 神经网络是一种模拟人脑神经元结构的计算模型，由多个神经元（节点）组成，这些神经元通过连接（边）相互作用。每个连接都有一个权重，用于表示连接的重要性。神经网络通常分为…
阅读更多...
13、常用类：

13、常用类：

13、常用类： 包装（Wrapper）类： 包装类的分类： 针对八种基本数据类型相应的引用类型——包装类；有了类的特点，就可以调用类中的方法。 基本数据类型包装类booleanBooleancharCharacterbyteBy…
阅读更多...
深信服技术服务工程师（网络安全、云计算方向）面试题

深信服技术服务工程师（网络安全、云计算方向）面试题

1.tcp3次握手和四次挥手的过程。 2.简述ospf动态路由。 3.哪些地方用静态路由，哪些地方用动态路由，说说他们的区别 4.在数据包在二层交换机中是如何转发的 5.两个三层交换机如何进行通信 6.trunk和access模式区别 7.对http协议的了解（https&a…
阅读更多...
最新文章

Copyright @ 2022~2023