博主简介
博主是一名大二学生，主攻人工智能研究。感谢让我们在CSDN相遇，博主致力于在这里分享关于人工智能，c++，Python，爬虫等方面知识的分享。 如果有需要的小伙伴可以关注博主，博主会继续更新的，如果有错误之处，大家可以指正。
专栏简介： 本专栏主要研究计算机视觉，涉及算法，案例实践，网络模型等知识。包括一些常用的数据处理算法，也会介绍很多的Python第三方库。如果需要，点击这里 订阅专栏 。
给大家分享一个我很喜欢的一句话：“每天多努力一点，不为别的，只为日后，能够多一些选择，选择舒心的日子，选择自己喜欢的人！”
目录
颜色特征
RGB颜色特征
HIS颜色空间
HSV颜色空间
颜色直方图
OpenCV图像色调、对比度变化
在深度学习广泛应用之前，也就是我们所说的传统图像处理，人们是如何处理图像的呢？首先找出图片中的关键特征，然后对这些特征进行识别，检测，分割等。在对计算机进行处理时，也需要先寻找特征。在让计算机理解图像之前，我们先来熟悉熟悉图像特征。
颜色特征
对于颜色特征，我们在描述它之前，我们首先要选择合适的颜色空间来描述颜色特征，颜色空间包括灰度图，RGB、HIS、HSL、HSV、HSB、YCrCB、CIE、XYZ、CIE、Lab等；其次，我们要采用一定的零花方法将颜色特征表达为向量的形式；最后，还要定义相似度。
RGB颜色特征
色彩三原色应该都听过，及品红，黄，青（不是蓝色），这是我们在平时所使用的，但是对于计算机来说，他们呢的显示屏使用的则是：红、绿、蓝。他们对应的波长为700nm，546
.1nm，435.8nm。这三种颜色可以根据不同的比例组成不同的颜色，而他们混合后就是白色。
RGB模式是如何定义的喃？根据不同的亮度值，将每种颜色分为0~255，所有颜色可以用三种颜色混合得到。那么一共有（256x256x256=16777216种。例如纯黑色（0，0，0）和纯白色（255，255，255）。
import cv2 img=cv2.imread('F:\Image\\test1.jpg',cv2.IMREAD_COLOR) print(img)
[[[180 204 220] [176 200 219] [171 192 216] … [144 169 217] [142 168 219] [145 173 223]] [[171 195 211] [167 190 209] [161 183 207] … [133 157 206] [131 157 207] [133 162 212]] [[165 189 205] [161 184 203] [155 177 201] … [124 149 197] [122 149 199] [125 154 204]] …
…
… [ 35 60 113] [ 51 77 130] [ 65 91 144]]]
看上面图片的矩阵输出，你们会发现，它的值都是在0~255之间，这就是因为他们都是色彩三原色构成，组成一个三维矩阵。所以我们如果要对图片操作，就只需要对三维矩阵操作就可以了。博主有一篇文章就是介绍这个的，比如打马赛克，当然，后面的学习会更精彩。言归正传，除了RGB色彩，我们还需要认识其他的颜色空间。
HIS颜色空间
HIS模式是从人的视觉系统出发，用色调，饱和度和亮度来描述色彩。因为该颜色空间非常的逼近人的视觉系统，因此，用HIS来处理图像非常的逼真，当然，除此之外，还有一个原因是现在的很多图像处理算法都是关于HIS的，所以，使用HIS更加方便我们操作。
HIS颜色空间，H指色调或色相，表示光线的波长，取值范围为0~360度；S指饱和度，表示色彩的纯度，取值范围为0~100%（饱和）；I指亮度，表示敏感程度，取值范围为0~100%。 如果想实现颜色空间转化，那么我们只需要用到cv2.cvtColor(img,cv2.COLOR_BGR2RGB).第二个参数为转换方式：
函数转换解释文档
点击这个解释文档，就可以得到转换方式。太多了，博主就不一一介绍了，基本上就是COLOR_BGR2**,后面的就是要转换的格式，如RGB,HIS,YCrCb等，当然，opencv2版本则不一样，官网会有介绍。
import cv2
img=cv2.imread('F:\Image\\test1.jpg',cv2.IMREAD_COLOR)
cv2.imshow('1',img)
#转换为rgb颜色空间
rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
cv2.imshow('2',rgb)
#转换为hls颜色空间
his=cv2.cvtColor(img,cv2.COLOR_BGR2HLS)
cv2.imshow('3',his)
#转换为灰度图像
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('4',gray)
cv2.waitKey(0)
上面的图片展示了不同的颜色空间下的图片，我们可以发现，不同的颜色空间对应的图片也是不同的，所以如果要使用图片，就要根据当时的情况来进行选择。
HSV颜色空间
HSV颜色空间的模型和HIS相似，依据色泽，明暗和色调来定义颜色，其中H代表色度，S代表饱和度，V代表亮度，要注意的是这里的色度、饱和度的定义均和HIS颜色空间不同。该空间比RGB模式更接近于人对色彩的感知，在计算机领域应用最为广泛。
圆锥的顶面对应于亮度V=1（最亮）。色度H由目标位置绕V轴的旋转角给定：0°对应红色，120°对应绿色，240°对应蓝色（正好为RGB三原色）。在HSV空间中，每种颜色和他的补色相差180°。饱和度S取值范围为0~1，对应圆锥顶面的半径为1.要注意的是饱和度为1的颜色，其纯度一般小于1.在圆锥的顶点处，V=0，H和S无定义表示最暗的黑色；在原罪的顶面中心处，S=0，V=1，H无定义，代表最亮的白色。从该点到原点，代表亮度渐暗的灰色，对于这些点，S0，H均无定义。在圆锥顶面的圆周上的颜色，V=1，S=1，即纯色。如图，斜边表示亮度V，每个圆面的半径方向表示饱和度S。
我们来看一下HSV图片的矩阵形式：
BGR：
[[[180 204 220] [176 200 219] [171 192 216] … [144 169 217] [142 168 219] [145 173 223]] [[171 195 211] [167 190 209] [161 183 207] … [133 157 206] [131 157 207] [133 162 212]] [[165 189 205] [161 184 203] [155 177 201] … [124 149 197] [122 149 199] [125 154 204]] …
…
… [ 35 60 113] [ 51 77 130] [ 65 91 144]]]
HSV
[[[ 18 46 220] [ 17 50 219] [ 14 53 216] … [ 10 86 217] [ 10 90 219] [ 11 89 223]] [[ 18 48 211] [ 16 51 209] [ 14 57 207] … [ 10 90 206] [ 10 94 207] [ 11 95 212]] [[ 18 50 205] [ 16 53 203] [ 14 58 201] … [ 10 94 197] [ 11 99 199] [ 11 99 204]] …
…
… [ 10 176 113] [ 10 155 130] [ 10 140 144]]]
颜色直方图
颜色直方图是在图像检索中被广泛采用的颜色特征。他所描述的是不同色彩在整幅图像中所占的比例，而与每种颜色所处位置无关，既无法描述图像中的具体物体。因此，颜色直方图对物体识别基本没有帮助，但特别适合处理难以进行自动分割的图像。
由于颜色空间太大，计算颜色直方图需要将颜色空间划分成若干个小区间，每个小区间成为直方图的一个bin，这个过程称为颜色量化。然后，通过计算落在每个bin内的像素数量可以得到颜色直方图。颜色量化有多种方式，有向量量化，聚类方法和神经网络方法。最常用的就是向量量化，即将颜色空间的各个维度均匀的进行划分。
颜色直方图特征匹配方法：距离法，中心距法，直方图相交法、参考颜色表法、累加颜色直方图法等。
在OPenCV中，我们使用函数cv2.calcHist()方法计算颜色直方图，此函数的可选参数：图像img、使用的通道channels、使用的掩模mask、大小HistSize和直方图柱的范围ranges。
import cv2
import matplotlib.pyplot as plt
img=cv2.imread('F:\Image\\test1.jpg',cv2.IMREAD_COLOR)
#展示原图片
cv2.imshow('',img)
cv2.waitKey(0)
#分为三个通道
color=('b','g','r')
for i,col in enumerate(color):histr=cv2.calcHist([img],[i],None,[256],[0,256])#画图plt.plot(histr,color=col)
plt.show()上面第一个图象是原图，第二个就是实现对该图像进行颜色直方图的分析的线性图。然后覆盖了源代码。
OpenCV图像色调、对比度变化
毫无疑问，图像的色调、颜色、对比度、明暗度均可以调整，由于物体的类别与颜色关系不大，所以调整图片的色调和颜色也能够作为数据增强的手段之一。比如后面我们要介绍到的物体识别，图像检测等，都会把图像转变为灰色。
我么先来认识一下图像色调变化：
import cv2
import numpy as np
img=cv2.imread('F:\Image\\test2.jpg',cv2.IMREAD_COLOR)
cv2.imshow('原图片',img)
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#改变色调
hsv[:,:,0]=(hsv[:,:,0]+10)%180
#改变饱和度
hsv[:,:,1]=(hsv[:,:,1]+10)%255
#改变明暗度hsv[:,:,2]=(hsv[:,:,2]+10)%255
#转化为RGB格式
img1=cv2.cvtColor(hsv,cv2.COLOR_HSV2BGR)
#显示图片
cv2.imshow('图片调整',img1)
cv2.waitKey(0)
（1）原图 （2）HSV图片
上面的代码只是简单的对颜色转换进行了实现，大家可以根据博主前面介绍的方法取试验一下，能够将图片转化成各式各样的。好了，本节内容就到此结束了！拜了个拜！
查看全文
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.dgrt.cn/a/1832504.html
如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！
相关文章：
传统图像处理之颜色特征
博主简介 博主是一名大二学生，主攻人工智能研究。感谢让我们在CSDN相遇，博主致力于在这里分享关于人工智能，c，Python，爬虫等方面知识的分享。 如果有需要的小伙伴可以关注博主，博主会继续更新的，……
编程日记2023/3/11 13:45:35
Python httplib2异常以及互动方式
1.出现not found import等，可能是未安装httplib2。安装就好了。 2。出现unable to open X server ’ error/import.c/ImportImageCommand/368. 解决方案，在抬头加 #!/usr/bin/python 3。出现SyntaxError: Non-ASCII character ‘\xe8’ in file 的错……
编程日记2023/3/11 13:45:35
13回归网络：HTTP/2是怎样的网络协议？
本篇文章我们先放下实践，回归网络，深入gRPC底层的HTTP/2协议，去探究一下框架底层网络协议的原理，提升对高性能网络协议的认知，相信读完这篇文章以后，我们就可以了解HTTP/2有哪些优势，为什么gRPC要使用HTTP/2作为底层的传输协议。
在众多研究HTTP/2的博客和资料中，最具……
编程日记2023/3/11 13:45:24
windows 自带端口转发
使用Portproxy模式下的Netsh命令即能实现Windows系统中的端口转发，转发命令如下:
netsh interface portproxy add v4tov4 listenaddress[localaddress] listenport[localport] connectaddress[destaddress]listenaddress – 等待连接的本地ip地址 listenport – 本……
编程日记2023/3/11 13:45:14
【19】时序逻辑 – VL21/VL22 根据状态转移表 和 状态转移图写STG程序
先来看一下VL21的题目吧 算了，看不懂，先做下一题
VL22 根据【状态转移图】实现时序电路
最想说的是，这个题目也叫做 【较难】 等级，有点点不适应来。感觉就是信手拈来的哇!!!
1 题目 + 代码 + TestBench
代码
`timescale 1ns/1nsmodule seq_circuit(input ……
编程日记2023/3/11 13:44:48
wget命令——下载网络文件
wget命令是英文词组”web get“的缩写，用于从指定网址下载网络文件。
wget命令支持如HTTP、HTTPS、FTP等常见协议，可以在命令行中直接下载网络文件。
与curl命令不同，wget仅能用于下载文件。
wget命令语法格式如下：
wget [选项……
编程日记2023/3/11 13:44:38
Cookie 对象
Cookie对象
1） http协议是一个无连接性的协议（即从服务器上拿到内容后，连接中断）
2）服务器端写入客户端的内容称之为cookie，以明值的方式保存
3）用cookie记录前后之间的状态 1.服务器向客户端……
编程日记2023/3/11 13:44:34
servlet监听器的使用
监听器 主要学习监听器如何使用，什么时候使用什么样的监听器，以及每个监听器的作用 监听器主要有8个listener和六个event 1.监听一些重要事件的发生， 2.监听器的分类： 1. 上下文监听 a) ServletContextListener：应用上……
编程日记2023/3/11 13:44:32
forward和redirct的区别
对他们两个的理解我是从Head First Servlet JSP
里面的解释非常容易理解
对于forward就是一个人和另外一个人打电话询问一个事情，这个人不知道，但是，他会把他锁知道的另外一个人的详细的信息反馈给打电话的这个人（在程序中就是……
编程日记2023/3/11 13:44:31
两种跳转方式的区别
<jsp:include page"included.jsp" flush"true"> <jsp:forward page "nextpage.jsp"/> 前者页面不会转向 include 所指的页面，只是显示该页的结果，主页面还是原来的页面。执行完后还会回来，相当于……
编程日记2023/3/11 13:44:30
Spring Boot概述（一）
1. SpringBoot 概述
1.1 SpringBoot 概念
SpringBoot提供了一种快速使用Spring的方式，基于约定优于配置的思想，可以让开发人员不必在配置与逻辑业务之间进行思维的切换，全身心的投入到逻辑业务的代码编写中，从而大大提高了开发的……
编程日记2023/4/16 14:58:12
计算机笔试/面试常见逻辑题/智力题汇总
说明：按种类汇总，难度不分先后，做了分级罗列，方便后续扩充，大家有比较有意思的题目可以在讨论区讨论。 下面有的题题解相对复杂的直接参考了网上的一些解答，而有的题解我认为并不好的也做了补充，……
编程日记2023/4/16 14:58:01
OpenAI文档翻译——搭建第一个自己的ChatGPT应用
这篇主要是讲了重头到位创建一个基于OpenAI API的应用程序的过程，同时给出了Node.js、Python版本的实例代码。应用程序的构建总体来说是很简单的就是一个接口调用，前提是我们需要提供密匙。
如果想要获取更好的结果返回一个是可以给模型提供一些列子从而……
编程日记2023/4/16 14:57:51
python以及PyCharm工具的环境安装与配置
这里以Windows为例
Python的安装
当然是到Python官网下载咯，https://www.python.org/downloads/点我直达，如图： 可以下载最新版本，可以下拉找到之前特定的版本安装，如图： 这里先择的是最新版的进行安装……
编程日记2023/4/16 14:57:39
JavaScript【六】JavaScript中的字符串(String)
文章目录🌟前言🌟字符串(String)🌟单引号和双引号的区别🌟属性🌟 length :字符串的长度🌟 方法🌟 str.charAt(index);🌟 str.charCodeAt(index);🌟 String.fromCharCode(……
编程日记2023/4/16 14:57:29
获取文件MD5小案例（未拆分文件）
文章目录前端获取MD5后端获取MD5前端获取MD5
1、引入js
<script src"js/spark-md5.min.js" type"text/javascript"></script>注：spark-md5库GitHub链接 2、这里是一个按钮和被隐藏调的<input/>标签 <body><button……
编程日记2023/4/16 14:57:19
Java 进阶(15)线程安全集合
CopyOnWriteArrayList
线程安全的ArrayList，加强版读写分离。
写有锁，读⽆锁，读写之间不阻塞，优于读写锁。
写⼊时，先copy⼀个容器副本、再添加新元素，最后替换引⽤。
使⽤⽅式与ArrayList⽆异。
示例……
编程日记2023/4/16 14:57:08
HR：面试官最爱问的linux问题，看看你能答对多少
文章目录摘要Linux的文件系统是什么样子的？如何访问和管理文件和目录？如何在Linux中查看和管理进程？如何使用Linux命令行工具来查看系统资源使用情况？如何配置Linux系统的网络设置？如何使用Linux的cron任务调度器来执行……
编程日记2023/4/16 14:56:56
vscode开发常用的工具栏选项,查看源码技巧以及【vscode常用的快捷键】
一、开发常用的工具栏选项
1、当前打开的文件快速在左侧资源树中定位： 其实打开了当前的文件已经有在左侧资源树木定位了，只是颜色比较浅 2、打开太多文件的时候，可以关闭 3、设置查看当前类或文件的结构 OUTLINE
相当于idea 查看当前类或接……
编程日记2023/4/16 14:56:45
数据要素化条件之一：原始性
随着技术的发展，计算机不仅成为人类处理信息的工具，而且逐渐地具有自主处理数据的能力，出现了替代人工的数据智能技术。数据智能的大规模使用需要关于同一分析对象或同一问题的、来源于不同数据源的海量数据。这种数据必须是针对特定对象的记……
编程日记2023/4/16 14:56:36