关于cvtcolor函数的计算方式(cvtcolor函数作用原理)

01 图像的颜色空间

彩色图像比灰度图像拥有更丰富的信息，它的每个像素通常是由红（R）、绿（G）、蓝（B）3个分量来表示的，每个分量介于0～255之间。

图像中呈现的不同的颜色都是由R、G、B这3种颜色混合而成的。在OpenCV里面，彩色图像拥有3个颜色通道，但是通道的顺序是可以变换的，RGB、BRG、BGR、GBR、GRB都有可能。

在读取一幅图像的时候，我们对于图像的颜色通道排布并不清楚，因此需要先把图像的颜色通道固定下来，这就需要调用OpenCV的cvtColor()函数。

cvtColor()函数的功能是对图像进行颜色空间变换，原型如下：

dst=cv2.cvtColor(src, code )

参数说明：

• src：输入图像即要进行颜色空间变换的原图像，可以是Mat类。
• code：转换的代码或标识，即在此确定将什么制式的图片转换成什么制式的图片，后面会详细讲述。

函数输出进行颜色空间变换后存储图像。

通过调用cvtColor()函数，还可以将一幅彩色图像转换成灰度图像，示例代码见程序3-5，代码运行效果如图3.9所示。

▲彩色图像1.jpg

• 程序3-5 彩色图像转灰度图像示例：color2gray.py

# -*- coding: UTF-8 -*-import numpy as npimport cv2#定义main()函数def main():   img = cv2.imread(\'1.jpg\')   img2 = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)                                          #从彩色图像转化成灰度图像   cv2.imshow(\'img2.bmp \', img2)   cv2.waitKey(0)if __name__ == \'__main__\':   main()

▲图3.9 color2gray.py程序运行结果

注意：cvtColor()函数还可以通过改变参数cv2.COLOR_RGB2BRG等改变图像颜色通道的排列顺序。另外也可以直接在读取图像函数imread时设置参数为0，直接将彩色图像读取为灰度图像，img = cv2.imread(‘1.jpg’,0)。

02 彩色图像的通道分离和混合

灰度图像是单通道的，彩色图像拥有R、G、B三个颜色通道。因此在图像处理时，经常把颜色通道分离，单独处理一个通道的数组，然后再合并成一幅彩色图像。

在实际的代码编写中，只需要调用OpenCV中的split()和merge()函数就可以实现图像的通道分离和合并。

split()函数的功能是将多通道的矩阵分离成单通道矩阵，原型如下：

[,mv]=cv2.split (src)

参数说明：输入参数为要进行分离的图像矩阵，输出参数为一个Mat数组。

merge()函数的功能是将多个单通道图像合成一幅多通道图像，原型如下：

dst=cv2.merge([,dst] )

参数说明：输入参数可以是Mat数组，输出为合并后的图像矩阵。

03 彩色图像的通道分离和混合程序示例

输入一幅彩色图像，通过程序3-6将其分割成R、G、B这3个通道的图像并显示。在分割前需要先确定图像的颜色通道分布，因此先调用cvtColor()函数固定颜色通道。示例代码参见程序3-6，效果如图3.10所示。

• 程序3-6 彩色图像通道分离示例：colorsplit.py

# -*- coding: UTF-8 -*-import numpy as npimport cv2#定义main()函数def main():   img = cv2.imread(\'1.jpg\')       img2 = cv2.cvtColor(img,cv2.COLOR_BRG2RGB)   r,g,b = cv2.split(img2)   #img分离成三个单通道的图像   cv2.imshow(\"Red\", r)   cv2.imshow(\"Green\", g)   cv2.imshow(\"Blue\", b)   cv2.waitKey(0)if __name__ == \'__main__\':   main()

▲图3.10 colorsplit.py程序运行结果

可以看出，在图像通道分离后，不同颜色通道的图像显示深浅不一，单通道的图像呈现该颜色通道的灰度信息。接下来把这3个颜色通道混合一下，在代码中加入一行代码：img3 = cv2.merge([b,g,r]);，这样img3又回到了原来输入的彩色图像样式，显示效果如图3.11所示。

▲图3.11 图像三通道混合后的输出

04 彩色图像的二值化

图像的二值化是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。彩色图像二值化最简单的步骤如下：

1. 彩色图像转灰度。
2. 图像阈值化处理，即像素值高于某阈值的像素赋值为255，反之为0。

其中，阈值的操作会调用OpenCV的threshold()函数。

threshold()函数声明如下：

ret, dst = cv2.threshold(src, thresh, maxval, type)；

函数功能：实现图像固定阈值的二值化。

参数说明：

• src：输入图，只能输入单通道图像，通常来说为灰度图。
• dst：输出图。
• thresh：阈值。
• maxval：当像素值超过了阈值（或者小于阈值，根据type来决定）时所赋予的值。
• type：二值化操作的类型，包含5种类型，即cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO和cv2.THRESH_TOZERO_INV。

举例参考程序3-7。

• 程序3-7 彩色图像二值化示例：colorthreshold.py

# -*- coding: UTF-8 -*-import numpy as npimport cv2#定义main()函数def main():   img = cv2.imread(\'1.jpg\',0)   thresh1,dst =cv2.threshold(img,127,255,cv2.THRESH_BINARY)                                               #图像二值化   cv2.imshow(\"dst\", dst)   cv2.waitKey(0)if __name__ == \'__main__\':   main()

如程序3-7所示，高于127的像素全部置为255，低于的全部置为0，得到如图3.12所示的输出结果。

▲图3.12 colorthreshold.py程序输出结果

05 彩色图像的遍历

灰度图像的遍历按照访问二维数组的方式得到坐标位置的像素。那对于彩色图像呢？彩色图像可以看出是3维数组，遍历方式参见程序3-8。

• 程序3-8 遍历彩色图像示例：color1.py

# -*- coding: UTF-8 -*-import numpy as npimport cv2#定义main()函数def main():   img = cv2.imread(\'1.jpg\')       height,width,n = img.shape #得到图片的宽高和维度   img2 = img.copy()  #复制一个跟img相同的新图片   #宽高两个维度遍历图片   for i in range(height):      for j in range(width):         img2[i, j][0] = 0 #将第一个通道内的元素重新赋值   cv2.imshow(\'img2.jpg\', img2)   cv2.waitKey(0)if __name__ == \'__main__\':   main()

由于第一个通道里面的颜色信息全部变为了0，图像显示结果如图3.13所示。

▲图3.13 color1.py程序运行结果

在读取不同通道的图像像素值时，需要先确定图像的通道排列是RGB还是BRG。

06 彩色图像和灰度图像的转换

经过前面的学习，我们知道彩色图像转成灰度图像有3种路径：

• imread读取图像的时候直接设置参数为0，彩色图像自动被读成灰度图像。
• 调用cvtColor()函数，参数设置为cv2.COLOR_BGR2GRAY。
• 调用split()函数，可以将一幅彩色图像分离成3个单通道的灰度图像。

那么灰度图像有没有可能转换成彩色图像呢？

我们知道灰度图像是单通道的，彩色图像是RGB 3这个颜色通道。那么是否可以人为地增加图像的通道，伪造出另外两个通道，而另外两个通道可以随机地赋值呢？程序3-9做出了尝试。

• 程序3-9 增加图像通道示例：gray2color1.py

# -*- coding: UTF-8 -*-import numpy as npimport cv2#定义main()函数def main():   img = cv2.imread(\'gray1.jpg\')       gray = np.zeros((512, 512, 3), np.uint8)  # 生成一个空彩色图像   height,width,n = img.shape   #图像像素级遍历   for i in range(height):      for j in range(width):         gray[i, j][0] = img[i, j][0]         gray[i, j][1] = 0         gray[i, j][2] = 0   cv2.imshow(\'gray.jpg\', gray)   cv2.waitKey(0)=if __name__ == \'__main__\':   main()

上述程序新建了一个3通道的空的彩色图像，然后将读取的灰度图像放在新建的彩色图像的第一个通道，也就是B通道，其他两个通道赋值0，所以图像整体呈现蓝色，程序运行结果如图3.14所示。

▲图3.14 gray2color1.py程序运行结果

上述方法转换的图像颜色很单一。有没有更加智能的方法呢？在摄像技术不是很成熟的时期，人们给拍摄出来的黑白照片上色，发明了一种伪彩色图像技术。在OpenCV里面，可以用预定义好的Colormap（色度图）来给图片上色，示例代码参见程序3-10。

• 程序3-10 伪彩色图像技术示例：gray2color2.py

# -*- coding: UTF-8 -*-import numpy as npimport cv2#定义main()函数def main():   img = cv2.imread(\'gray1.jpg\')       im_color = cv2.applyColorMap(img, cv2.COLORMAP_JET)  #色度图上色   cv2.imshow(\"im_color.jpg\", im_color)   cv2.waitKey(0)if __name__ == \'__main__\':   main()

程序运行结果如图3.15所示。伪彩色图像目前主要应用在对高度、压力、密度、湿度等描述上，彩色数据可视化。