Python----计算机视觉处理（Opencv：图片颜色识别：RGB颜色空间，HSV颜色空间，掩膜）

一、RGB颜色空间

        在图像处理中，最常见的就是RGB颜色空间。RGB颜色空间是我们接触最多的颜色空间，是一种用于表 示和显示彩色图像的一种颜色模型。RGB代表红色（Red）、绿色（Green）和蓝色（Blue），这三种 颜色通过不同强度的光的组合来创建其他颜色，广泛应用于我们的生活中，比如电视、电脑显示屏以及 上面实验中所介绍的RGB彩色图。

        RGB颜色模型基于笛卡尔坐标系，如下图所示，RGB原色值位于3个角上，二次色青色、红色和黄色位于 另外三个角上，黑色位于原点处，白色位于离原点最远的角上。因为黑色在RGB三通道中表现为（0， 0，0），所以映射到这里就是原点；而白色是（255，255，255），所以映射到这里就是三个坐标为最 大值的点。

        RGB颜色空间可以产生大约1600万种颜色，几乎包括了世界上的所有颜色，也就是说可以使用RGB颜色 空间来生成任意一种颜色。

二、HSV颜色空间

        HSV颜色空间指的是HSV颜色模型，这是一种与RGB颜色模型并列的颜色空间表示法。RGB颜色模型使 用红、绿、蓝三原色的强度来表示颜色，是一种加色法模型，即颜色的混合是添加三原色的强度。而 HSV颜色空间使用色调（Hue）、饱和度（Saturation）和亮度（Value）三个参数来表示颜色，色调H 表示颜色的种类，如红色、绿色、蓝色等；饱和度表示颜色的纯度或强度，如红色越纯，饱和度就越 高；亮度表示颜色的明暗程度，如黑色比白色亮度低。

色调H： 使用角度度量，取值范围为 0°~360°，从红色开始按逆时针 方向计算，红色为0°，绿色为 120°，蓝色为240°。它们的补 色是：黄色为60°，青色为180°， 紫色为300°。通过改变H的值， 可以选择不同的颜色 

饱和度S： 饱和度S表示颜色接近光谱色的程度。 一种颜色可以看成是某种光谱色与白 色混合的结果，其中光谱色所占的比 例越大，颜色接近光谱色的程度就越 高，颜色的饱和度就越高。通常取值 范围为0%~100%，其中0%表示灰色 或无色，100%表示纯色，通过调整 饱和度的值，可以使颜色变得更加鲜 艳或者更加灰暗。

明度V： 明度表示颜色明亮的程度，对于光源 色，明度值与发光体的光亮度有关； 对于物体色，此值和物体的透射比或 反射比有关。通常取值范围为0% （黑）到100%（白），通过调整明 度的值，可以使颜色变得更亮或者更 暗。

一般对颜色空间的图像进行有效处理都是在HSV空间进行的，然后对于基本色中对应的HSV分量需要给 定一个严格的范围，下面是通过实验计算的模糊范围。

H: 0— 180

S: 0— 255

V: 0— 255

此处把部分红色归为紫色范围：

HSV的优点：

•    符合人类对颜色的感知方式：人类对颜色的感知是基于色调、饱和度和亮度三个维度的，而HSV颜 色空间恰好就是通过这三个维度来描述颜色的。因此，使用HSV空间处理图像可以更直观地调整颜 色和进行色彩平衡等操作，更符合人类的感知习惯。

•    颜色调整更加直观：在HSV颜色空间中，色调、饱和度和亮度的调整都是直观的，而在RGB颜色空 间中调整颜色不那么直观。例如，在RGB空间中要调整红色系的颜色，需要同时调整R、G、B三个 通道的数值，而在HSV空间中只需要调整色调和饱和度即可。

•    降维处理有利于计算：在图像处理中，降维处理可以减少计算的复杂性和计算量。HSV颜色空间相 对于RGB颜色空间，减少了两个维度（红、绿、蓝），这有利于进行一些计算和处理任务，比如色 彩分割、匹配等。

三、掩膜

        掩膜（Mask）是一种在图像处理中常见的操作，它用于选择性地遮挡图像的某些部分，以实现特定任务 的目标。掩膜通常是一个二值化图像，并且与原图像的大小相同，其中目标区域被设置为1（或白色）， 而其他区域被设置为0（或黑色），并且目标区域可以根据HSV的颜色范围进行修改

四、与运算

        在图像处理领域，“与” 运算则用于对图像的像素值进行操作。具体操作是，将两张图像中所有对应像素 值逐一进行 “与” 运算，进而得到新的图像。

        在 OpenCV 中，执行 “与” 运算需要两张图片。然而，在我们进行图片颜色识别时，通常只有原图像。这 种情况下，就需要将原图像自身与自身进行 “与” 运算。不过，在没有掩膜参与时，原图像自己与自己进 行 “与” 运算，结果依旧是原图像，不会产生变化。

        但当掩膜参与其中，情况就不同了。掩膜是依据筛选结果制作的，掩膜中白色区域对应的就是我们要识 别的颜色。通过将掩膜覆盖到原图像上，就能掩盖不需要的部分，仅留下我们关注的部分。也就是说， 在掩膜参与的情况下，两张相同的图片（即原图像自身与自身）加上一个掩膜进行 “与” 运算，得到的结 果就是掩膜中白色部分所对应的原始图像中的颜色，这也就是颜色识别的最终结果。

具体与运算的过程如下所示： 

        通过与运算，我们就可以识别到目标颜色在原图中的位置。

注意：

        在OpenCV中，颜色是以BGR的方式进行存储的，而不是RGB，这也是上面红色的像素值是（0， 0，255）而不是（255，0，0）的原因。 

五、颜色识别

导入模块

import  cv2
import numpy as np

读取图片

img=cv2.imread('red_green_blue_yello.png')

BGR转HSV

img_hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

创建掩膜

lowerb=np.array([26,43,46])
upperb=np.array([34,255,255])
img_mask=cv2.inRange(img_hsv,lowerb, upperb)

颜色识别

color_img=cv2.bitwise_and(img,img,mask=img_mask)

 结果展示

cv2.imshow('color_img',color_img)
cv2.waitKey(0)

完整代码 

# 对图片中的某些目标颜色进行识别

# 导入opencv的库，方便后续直接调用函数
import  cv2
import numpy as np

img=cv2.imread('red_green_blue_yello.png')
img_hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
# 使用inRange函数，将hsv图像中的每一个值与lowerb和upperb进行比较
# 当hsv图像中的像素点的hsv值处于数组范围之内，这个像素点就是我们要找的颜色

# inRange函数的作用：生成一个与原始图像大小相同的单通道图，其值要么是255，要么是0
# 第一个参数：原始图像
# 第二个参数：寻找的范围的最小值  是个数组
# 第三个参数：寻找的范围的最大值  是个数组
lowerb=np.array([26,43,46])
upperb=np.array([34,255,255])
img_mask=cv2.inRange(img_hsv,lowerb, upperb)

# 与运算：将原始图像和原始图像进行位与操作，并使用掩膜去遮盖掉不关心的部分
color_img=cv2.bitwise_and(img,img,mask=img_mask)

cv2.imshow('img',img)
cv2.imshow('img_hsv',img_hsv)
cv2.imshow('img_mask',img_mask)
cv2.imshow('color_img',color_img)
cv2.waitKey(0)

六、库函数

6.1、inRange()

cv.inRange(	src, lowerb, upperb[, dst]	) ->	dst

6.2、bitwise_and()

cv.bitwise_and(	src1, src2[, dst[, mask]]	) ->	dst