图像处理中的三种颜色阈值分割算法：RGB、HSV与CIE Lab

图像处理中的三种颜色阈值分割算法：RGB、HSV与CIE Lab

引用

CSDN

1.

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

在图像处理领域，颜色算子的阈值分割算法是提取特定颜色区域的重要技术手段。本文将详细介绍三种常见的颜色空间及其对应的阈值分割方法：RGB、HSV和CIE Lab。通过对比分析，帮助读者理解它们各自的优缺点，并提供具体的Python代码实现。

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。