图像处理中的三种颜色空间阈值分割算法详解

图像处理中的三种颜色空间阈值分割算法详解

引用

CSDN

1.

https://blog.csdn.net/weixin_63441326/article/details/138418892

在图像处理领域，颜色空间的阈值分割是一种常用的技术手段，用于从图像中提取特定颜色的区域。本文将详细介绍三种常见的颜色空间：RGB、HSV和CIE Lab，并通过具体的Python代码实现，展示如何在这些颜色空间中进行阈值分割。

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 np

def 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 np

def 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 cv2

def 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] = 255
    return 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：

1. 直接对应于显示器和相机的工作原理，易于理解和实现。
2. 在处理彩色图像时，RGB是一种直观的颜色表示方式。

（2）缺点：

1. 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。
2. 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。
3. 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：

1. 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。
2. 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。
3. 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：

1. HSV模型的计算量较大，不够简洁高效，对计算资源要求较高。
2. 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。
3. 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：

1. 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。
2. 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。
3. 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：

1. LAB模型的数学计算较复杂，相比RGB和HSV模型，计算量较大。
2. 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。
3. 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。