本文主要是介绍模式识别作业：颜色算子的三种阈值分割算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、引言：
在图像处理中，我们往往需要提取图像的一些关键信息，比如本篇文章的内容——提取颜色，然而当我们需要提取某一种颜色时，无论图像余下的部分如何“丰富多彩”，他们都不再重要，需要被忽略，我们称其为“背景”。此时我们只需要黑白图像就可以清晰的展示出需要提取的颜色。我们往往将每个像素点的灰度值转换为0或1，表示黑色或白色，从而将图像转换为黑白二色，这样的图像被称为二值化图像。
借助 OpenCV 的 inRange 函数我们就可以根据阈值提取满足条件的像素。
二、RGB 颜色阈值算子
1 RGB空间：
还记得第一篇文章提到的张量么，一张彩色图片可以看作一个三阶张量，即一张彩色图像是由红，绿，蓝三张图片叠加成的，每张图片的有无数的像素点，每个像素点的值域为0~255来表示颜色深浅。这就是最常用的三通道颜色空间，RGB空间。
2 代码实现：
import cv2
import numpy as npdef color_threshold(image, lower_threshold, upper_threshold):"""RGB颜色阈值算子参数：- image: 输入的RGB图像- lower_threshold: 低阈值，为一个包含三个元素的列表或元组，分别对应BGR通道的最小值- upper_threshold: 高阈值，为一个包含三个元素的列表或元组，分别对应BGR通道的最大值返回值：- thresholded_image: 经过阈值处理后的二值图像"""# 使用OpenCV的inRange函数根据阈值提取满足条件的像素thresholded_image = cv2.inRange(image, np.array(lower_threshold), np.array(upper_threshold))return thresholded_image# 主函数
if __name__ == "__main__":# 读取输入图像input_image = cv2.imread("leaf.jpg")# 定义颜色阈值lower_threshold = [0, 100, 0] # 低阈值，例如，过滤掉B通道小于0，G通道小于100，R通道小于0的像素upper_threshold = [50, 255, 50] # 高阈值，例如，过滤掉B通道大于50，G通道大于255，R通道大于50的像素# 应用颜色阈值算子thresholded_image = color_threshold(input_image, lower_threshold, upper_threshold)# 显示原始图像和处理后的二值图像cv2.imshow("Original Image", input_image) # imshow用于新建弹窗显示图像cv2.imshow("Thresholded Image", thresholded_image)cv2.waitKey(0) # 保留弹窗直至检测到其他键盘操作cv2.destroyAllWindows()
3 运行结果：
三、HSV 颜色阈值算子
1 HSV空间：
HSV空间指的是色彩空间中的一种，由色相（Hue）、饱和度（Saturation）和明度（Value）三个要素组成。色相表示颜色的基本属性，饱和度表示颜色的纯度或深浅程度，而明度则表示颜色的亮度。
2 代码实现：
import cv2
import numpy as npdef hsv_threshold(image, lower_hsv, upper_hsv):"""使用HSV颜色空间进行颜色阈值分割参数:image: 输入的RGB图像lower_hsv: HSV颜色空间下的下限阈值，格式为(H_MIN, S_MIN, V_MIN)upper_hsv: HSV颜色空间下的上限阈值，格式为(H_MAX, S_MAX, V_MAX)返回:thresholded_image: 分割后的二值图像"""# 将RGB图像转换为HSV颜色空间hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 设置阈值范围lower = np.array(lower_hsv)upper = np.array(upper_hsv)# 根据阈值进行二值化处理thresholded_image = cv2.inRange(hsv_image, lower, upper)return thresholded_image# 主函数
if __name__ == "__main__":# 读取图像image = cv2.imread("apple.jpg")# 定义想要提取的HSV颜色范围lower_colour = (40, 100, 100)upper_colour = (80, 255, 255)# 使用阈值算子分割图像colour_threshold = hsv_threshold(image, lower_colour, upper_colour)# 显示原始图像和分割后的图像cv2.imshow("Original Image", image) # imshow用于新建弹窗显示图像cv2.imshow("colour Threshold", colour_threshold)cv2.waitKey(0) # 保留弹窗直至检测到其他键盘操作cv2.destroyAllWindows()
3 运行结果：
四、CIE Lab 颜色阈值算子
1 lab空间：
LAB空间是一种色彩空间，也称为CIE LAB色彩空间。它包含三个坐标轴：L表示亮度（Lightness），a表示从洋红色（红色的负轴）到绿色（绿色的正轴）的范围，b表示从蓝色（蓝色的负轴）到黄色（黄色的正轴）的范围。
2 代码实现：
import numpy as np
import cv2def lab_color_threshold(image, lower_bound, upper_bound):"""使用CIE Lab颜色空间进行阈值分割参数：image: 输入的RGB图像lower_bound: 一个包含3个元素的列表，表示颜色的下界(L, a, b)upper_bound: 一个包含3个元素的列表，表示颜色的上界(L, a, b)返回：thresholded: 二值图像，仅包含在指定颜色范围内的区域"""# 将RGB图像转换为CIE Lab颜色空间lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)# 提取L、a、b通道L, a, b = cv2.split(lab_image)# 创建空的二值图像thresholded = np.zeros_like(L)# 将颜色通道与阈值进行比较，生成二值图像within_bounds = (lower_bound[0] <= L) & (L <= upper_bound[0]) & \(lower_bound[1] <= a) & (a <= upper_bound[1]) & \(lower_bound[2] <= b) & (b <= upper_bound[2])# 将满足条件的像素设置为255（白色）thresholded[within_bounds] = 255return thresholded# 主函数
if __name__ == "__main__":# 读取图像image = cv2.imread("apple.jpg")# 设置阈值范围（这里使用的是示例值，你可以根据需要调整）lower_bound = [0, 128, 128] # L, a, b 的下界upper_bound = [255, 255, 255] # L, a, b 的上界# 应用颜色阈值算子thresholded_image = lab_color_threshold(image, lower_bound, upper_bound)# 显示结果cv2.imshow("Original Image", image) # imshow用于新建弹窗显示图像cv2.imshow("Thresholded Image", thresholded_image)cv2.waitKey(0) # 保留弹窗直至检测到其他键盘操作cv2.destroyAllWindows()
3 运行结果：
五、优缺点对比
1 RGB优缺点：
（1）优点：
- 直接对应于显示器和相机的工作原理，易于理解和实现。
- 在处理彩色图像时，RGB是一种直观的颜色表示方式。
（2）缺点：
- RGB模型对光照和阴影等因素较为敏感，不太适合于需要考虑光照条件的任务。
- RGB模型下的颜色值不够直观，不易于对颜色的特性进行准确描述。
- 某些情况下，RGB模型下的颜色空间变换不够灵活，无法有效地处理一些特定的颜色操作。
2 HSV优缺点：
（1）优点：
- HSV模型更符合人类对颜色的感知，色相、饱和度和明度的概念更直观。
- 色相分量可以独立于光照条件而保持不变，因此HSV对光照条件的影响较小。
- 在某些任务中，如颜色识别和区分不同颜色的对象，HSV模型可能更有效。
（2）缺点：
- HSV模型的计算量较大，不够简洁高效，对计算资源要求较高。
- HSV模型不是设备无关的，可能会受到设备性能和环境光照的影响。
- 在一些情况下，HSV模型下的颜色分布不均匀，可能导致某些区域难以区分或处理。
3 LAB优缺点：
（1）优点：
- LAB模型是一种设备无关的颜色空间模型，颜色值在不同设备和环境下保持一致。
- LAB模型更符合人类视觉系统的感知特性，对颜色的描述更准确。
- LAB模型可以很好地处理颜色校正和颜色匹配等任务。
（2）缺点：
- LAB模型的数学计算较复杂，相比RGB和HSV模型，计算量较大。
- 有时，LAB模型下的颜色表示不够直观，不够直观地反映颜色在图像中的分布情况。
- 由于LAB模型对颜色的描述较为细致，可能会导致在某些情况下对颜色的处理和分析更加复杂。
这篇关于模式识别作业：颜色算子的三种阈值分割算法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
