3)如何在圖像中執(zhí)行顏色空間?

我們知道,每一種顏色都是紅、綠、藍(lán)三種顏色的組合。所以我們通常將顏色空間稱為RGB,如果我們分析圖像和視頻也是如此。但是在 OpenCV 中,顏色空間是相反的順序,即 BGR。查看下面提到的代碼,我們將在其中使用 OpenCV 和 matplotlib 顯示圖像并觀察更改。cv2_imshow(Org_img)
plt．imshow(Org_img)
使用 OpenCV 的 BGR 圖像:

我們將嘗試使用 matplotlib 繪制相同的圖像

所以這里我們觀察到,由于從 BGR 到 RGB 的顏色空間發(fā)生了變化,因此顏色發(fā)生了反向變化�，F(xiàn)在我們將查看如何使用 cv．cvtColor() 方法將 BGR 顏色空間轉(zhuǎn)換為不同的顏色空間3．1)BGR轉(zhuǎn)灰色# BGR to Gray
BGR_Gray=cv．cvtColor(Org_img,cv．COLOR_BGR2GRAY)
cv2_imshow(BGR_Gray)
輸出:

3．2) BGR 到 HSV:print("")
#BGR to HSV
BGR_HSV=cv．cvtColor(Org_img,cv．COLOR_BGR2HSV)
cv2_imshow(BGR_HSV)
輸出:

3．3) BGR 到 LAB:print("")
#BGR to LAB
BGR_LAB=cv．cvtColor(Org_img,cv．COLOR_BGR2LAB)
cv2_imshow(BGR_LAB)
輸出:

3．4)BGR轉(zhuǎn)RGB:print("")
#BGR to RGB
BGR_RGB=cv．cvtColor(Org_img,cv．COLOR_BGR2RGB)
cv2_imshow(BGR_RGB)
輸出:

我們還可以使用下面提到的顏色空間參數(shù)來反轉(zhuǎn)上面提到的圖像顏色空間:cv．COLOR_HSV2BGRcv．COLOR_LAB2BGRcv．COLOR_Gray2BGRcv．COLOR_BGR2RGB4)如何處理顏色通道?在OpenCV 中,我們可以從原始圖像中分離 B、G、R 通道,然后再次合并所有 B、G、R,如下所示。Org_img=cv．imread("/content/drive/MyDrive/Colab Notebooks/Opencv/NCS/erik-mclean-jhNwxqL51xc-unsplash．jpg")
cv2_imshow(Org_img)
Canny_img=cv．Canny(Org_img,100,150)
B,G,R=cv．split(Org_img)
cv2_imshow(B)
print("")
cv2_imshow(G)
print("")
cv2_imshow(R)
print("")
print("Shape of the original BGR image: ",Org_img．shape)
print("Shape of the Blue Pixel image post split from original image: ",B．shape)
print("Shape of the Green Pixel image post split from original image: ",G．shape)
print("Shape of the Red Pixel image post split from original image: ",R．shape)
print("")
print("Merged image of the BGR images is: ")
print("")
Merged_BGR=cv．merge([B,G,R])
cv2_imshow(Merged_BGR)
上述代碼的輸出:原圖:

帶有藍(lán)色像素的圖像:

帶有綠色像素的圖像:

帶有紅色像素的圖像:

合并所有三個(gè) BGR 頻道的圖片發(fā)布:

上述分割圖像以灰色圖像的形式反映,因此為了清楚了解每個(gè)通道,我們將嘗試在空白屏幕上繪制此分割圖像,然后查看通道。現(xiàn)在,我們將 B、G、R 像素與空白圖像分開使用,我們得到了下面的輸出:print(" Printing the BGR images on the blank images")
blank=np．zeros(((Org_img．shape[0],Org_img．shape[1])),dtype='uint8')
Merged_B=cv．merge([B,blank,blank])
cv2_imshow(Merged_B)
print("")
Merged_G=cv．merge([blank,G,blank])
cv2_imshow(Merged_G)
print("")
Merged_R=cv．merge([blank,blank,R])
cv2_imshow(Merged_R)
上述代碼的輸出:藍(lán)色通道:

綠色通道:

紅色通道:

5)如何模糊圖像?

有不同的方法來模糊圖像。查看下面提到的代碼演練以獲取詳細(xì)信息:平均模糊:在這里,我們將輸入原始圖像并與內(nèi)核進(jìn)行卷積。隨著內(nèi)核大小的增加,圖像的模糊度也會(huì)增加。高斯模糊:在這里,我們將輸入原始圖像并與內(nèi)核進(jìn)行卷積。隨著內(nèi)核大小的增加,圖像的模糊度也會(huì)增加。

我們還應(yīng)該指定 X 和 Y 方向的標(biāo)準(zhǔn)偏差,分別為 sigmaX 和 sigmaY。如果只指定了 sigmaX,則 sigmaY 與 sigmaX 相同。如果兩者都為零,則根據(jù)內(nèi)核大小計(jì)算它們。高斯模糊對(duì)于從圖像中去除高斯噪聲非常有效。中值模糊:函數(shù)cv．medianBlur()取內(nèi)核區(qū)域下所有像素的中值,并將中心元素替換為該中值。這對(duì)于圖像中的椒鹽噪聲非常有效。在這里,我們將輸入原始圖像并與內(nèi)核進(jìn)行卷積。

隨著內(nèi)核大小的增加,圖像的模糊度也會(huì)增加。但是這里的內(nèi)核大小是一維形狀,而不是像平均和高斯那樣的二維形狀。雙邊模糊:cv．bilateralFilter()在保持邊緣銳利的同時(shí)去除噪音非常有效。但與其他過濾器相比,操作速度較慢。我們已經(jīng)看到高斯濾波器獲取像素周圍的鄰域并找到其高斯加權(quán)平均值。這個(gè)高斯濾波器是單獨(dú)的空間函數(shù),即濾波時(shí)考慮附近的像素。

它不考慮像素是否具有幾乎相同的強(qiáng)度。它不考慮像素是否是邊緣像素。所以它也模糊了邊緣,這是我們不想做的。在這里,我們將輸入原始圖像并與內(nèi)核進(jìn)行卷積。隨著內(nèi)核大小的增加,圖像的模糊度也會(huì)增加。但是這里的內(nèi)核大小是 1D 形狀,而不是像平均模糊和高斯模糊那樣的 2D 形狀。此外,為了簡單起見,我們可以將 2 個(gè) sigma 值設(shè)置為相同。Org_img=cv．imread("/content/drive/MyDrive/Colab Notebooks/Opencv/NCS/emma-shappley-S0zmYpRTZbA-unsplash．jpg")
cv2_imshow(Org_img)
print(" Averaging blur image ")
#Averaging
AvgBlur_img=cv．blur(Org_img,(7,7))
cv2_imshow(AvgBlur_img)
print(" Gaussian blur image ")
#Gaussian Blur
GaussBlur_img=cv．GaussianBlur(Org_img,(7,7),0)
cv2_imshow(GaussBlur_img)
print(" Median blur image ")
#MedianBlur
MedianBlur_img=cv．medianBlur(Org_img,7)
cv2_imshow(MedianBlur_img)
print(" Billateral blur image ")
#Billateral Blur
BillateralBlur_img=cv．bilateralFilter(Org_img,5,50,50)
cv2_imshow(BillateralBlur_img)
上述代碼的輸出:原圖:

平均模糊圖像:

高斯模糊圖像:

中值模糊圖像:

雙邊模糊圖像: