图像预处理-色彩空间补充，灰度化与二值化

一.图像色彩空间转换

1.1 HSV颜色空间

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

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（准确的范围在网上都没有给出）。

H: 0— 180

S: 0— 255

V: 0— 255

也就是可以通过颜色的范围来提取图像中的一种或多种颜色。

HSV的好处：

- 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：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）

1.2 颜色空间转换

cv2.cvtColor(img,code)

code：指定转换的类型，可以使用预定义的转换代码。

- cv2.COLOR_RGB2GRAY 表示从RGB到灰度图像的转换

- cv2.COLOR_BGR2HSV 从RGB到HSV的转换

二.灰度化

彩色图是由R、G、B三个通道组成，而灰度图只有一个通道。

灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑色与白色两种颜色但是，灰度图像的取值可以是0~255，不过只有一个通道。这样可以有256级灰度

# 在读取时也可以直接将其转化为灰度图
import cv2 as cvimg = cv.imread('../images/flower.png', cv.IMREAD_GRAYSCALE)
cv.imshow('Gray Image', img)
cv.waitKey(0)
cv.destroyAllWindows()

2.1 最大值法

从R、G、B三个通道的值中选出最大的一个，并将其作为灰度图像中对应位置的像素值.

2.2 平均值法

将R、G、B三个通道的像素值全部加起来，然后再除以三。

2.3 加权均值法（最常用且内置）

        按照一定的权重去乘以每个通道的像素值，并将其相加，得到最后的值就是灰度图像中对应位置的像素值。权重的比例为： R乘以0.299，G乘以0.587，B乘以0.114，这是经过大量实验得到的一个权重比例，也是一个比较常用的权重比例

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)cv.imshow('Original', flower)
cv.imshow('Gray', gray) cv.waitKey(0)   
cv.destroyAllWindows()

三. 二值化处理

二值图像的二维矩阵仅由两个值构成，也就是灰度图像的取值范围变了，只有0，1

- 其操作的图像必须是灰度图

二值化处理函数：

_,binary = cv2.threshold(img,thresh,maxval,type)

- img：输入图像，要进行二值化处理的灰度图。

- thresh：设定的阈值。

- maxval：当像素值大于(或小于，取决于阈值类型)thresh时，该像素被赋予的值。

- type：阈值处理的类型。

- 返回值：

  - 第一个值（通常用下划线表示）：计算出的阈值，若使用自适应阈值法，会根据算法自动计算出这个值。

  - 第二个值（binary）：二值化后的图像矩阵。与输入图像尺寸相同。

3.1 阈值法

THRESH_BINARY

        设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小于等于阈值的像素就被设置为0（通常代表背景），大于阈值的像素就被设置为maxval(通常为255)

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))# 获得灰度图
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用阈值法二值化
_,binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)cv.imshow('flower', gray)
cv.imshow('binary', binary)
cv.waitKey(0)
cv.destroyAllWindows()

3.2 反阈值法

THRESH_BINARY_INV

与阈值法相反

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))# 获得灰度图
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用反阈值法二值化
_,binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)cv.imshow('flower', gray)
cv.imshow('binary', binary)
cv.waitKey(0)
cv.destroyAllWindows()

3.3 截断阈值法

THRESH_TRUNC

所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈值，小于等于阈值的部分不变

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))# 获得灰度图
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用截断阈值法二值化
# 可以看到我们依然给了maxval，但是实际上这个maxval没有起作用，但是还是要写不然会报错
_,binary = cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)cv.imshow('flower', gray)
cv.imshow('binary', binary)
cv.waitKey(0)
cv.destroyAllWindows()

3.4 低阈值零处理

THRESH_TOZERO

像素值小于等于阈值的部分被置为0,大于阈值的部分不变。

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))# 获得灰度图
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用低阈值零处理二值化_,binary = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)cv.imshow('flower', gray)
cv.imshow('binary', binary)
cv.waitKey(0)
cv.destroyAllWindows()

3.5 超阈值零处理

THRESH_TOZERO_INV

像素值大于阈值的部分置为0，像素值小于等于阈值的部分不变。

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))# 获得灰度图
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用超阈值零处理二值化
_,binary = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO_INV)cv.imshow('flower', gray)
cv.imshow('binary', binary)
cv.waitKey(0)
cv.destroyAllWindows()

3.6 OTSU阈值法

cv2.THRESH_OTS

 cv2.THRESH_OTS 并不是一个有效的阈值类型或标,它其实是用来计算合适阈值的方法，通常与 THRESH_BINARY 或 THRESH_BINARY_INV 结合使用

OTSU算法是通过一个值将这张图分前景和背景

（也就是灰度图中小于这个值的是一类，大于这个值的是一类。例如，如果你设置阈值为128，则所有大于128的像素点可以被视作前景，而小于等于128的像素点则被视为背景。）

        通过统计学方法（最大类间方差）来验证该值的合理性，当根据该值进行分割时，使用最大类间方差计算得到的值最大时，该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算，直到灰度图中的最大像素值减1，然后把得到的最大类间方差值进行比较。

import cv2 as cvimg = cv.imread('../images/flower.png')
flower = cv.resize(img,(200, 200))# 获得灰度图
gray = cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用OTSU阈值法二值化(默认是结合阈值法即THRESH_BINARY)
_,binary = cv.threshold(gray, 127, 255, cv.THRESH_OTSU)
# 结合反阈值法
_,binary1 = cv.threshold(gray, 0, 255, cv.THRESH_OTSU+cv.THRESH_BINARY_INV)cv.imshow('flower', gray)
cv.imshow('binary', binary)
cv.imshow('binary1', binary1)
cv.waitKey(0)
cv.destroyAllWindows()

3.7 自适应二值化

        其会对图像中的所有像素点计算其各自的阈值，将图像划分为固定大小的块，然后对每个块进行阈值处理。

cv2.adaptiveThreshold

(image_np_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)

参数：

maxval：最大阈值，一般为255

adaptiveMethod：小区域阈值的计算方式：

ADAPTIVE_THRESH_MEAN_C：小区域内取均值

ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核

thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法

blockSize：选取的小区域的面积，如7就是7\*7的小块。

C：最终阈值等于小区域计算出的阈值再减去此值
 

        自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理。

3.7.1 取均值

        从图片的左上角开始计算其邻域内的平均值，用一个均值卷积核来实现，将卷积核中心对准要阈值处理的像素，然后计算这个卷积核内所有像素的平均值，最后减去常数C得到该点阈值。

如图，如果像取第一个元素卷积核有空缺处，就按边缘填充的方式填充。

3.7.2 加权求和

        对小区域内的像素进行加权求和得到新的阈值，其权重值来自于高斯分布。与取均值的区别就是采用另一种规则的卷积核进行阈值选择，函数中有着基本相同的参数。

3*3卷积核示例：