3)如何在圖像中執行顏色空間?

我們知道,每一種顏色都是紅、綠、藍三種顏色的組合。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 的顏色空間發生了變化,因此顏色發生了反向變化。現在我們將查看如何使用 cv．cvtColor() 方法將 BGR 顏色空間轉換為不同的顏色空間3．1)BGR轉灰色# 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來反轉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 BGR 頻道的圖片發布:

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信息:平均模糊:在這里,我們將輸入原始圖像并與內核進行卷積。隨著內核大小的增加,圖像的模糊度也會增加。高斯模糊:在這里,我們將輸入原始圖像并與內核進行卷積。隨著內核大小的增加,圖像的模糊度也會增加。

我們還應該指定 X 和 Y 方向的標準偏差,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,則根據內核大小計算它們。高斯模糊對于從圖像中去除高斯噪聲非常有效。中值模糊:函數cv．medianBlur()取內核區域下所有像素的中值,并將中心元素替換為該中值。這對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核進行卷積。

隨著內核大小的增加,圖像的模糊度也會增加。但是這里的內核大小是一維形狀,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。我們已經看到高斯濾波器獲取像素周圍的鄰域并找到其高斯加權平均值。這個高斯濾波器是單獨的空間函數,即濾波時考慮附近的像素。

它不考慮像素是否具有幾乎相同的強度。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核進行卷積。隨著內核大小的增加,圖像的模糊度也會增加。但是這里的內核大小是 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 sigma 值設置為相同。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: