图像处理
图像处理所做的只是从图像中提取有用的信息，从而减少数据量，但保留描述图像特征的像素。
下面从图像中提取颜色、形状和纹理特征的方法开始
1. 颜色
?? 每次处理图像项目时，图像的色彩空间都会成为最先探索的地方，而我们最常用的就是RGB色彩空间。那么接下来使用OpenCV，我们可以将图像的颜色空间转换为HSV、LAB、灰度、YCrCb、CMYK等。
a. HSV（色相饱和度值）
- 色调H：描述主波长，是指定颜色的通道
- 饱和度S：描述色调/颜色的纯度/色调
- 值V：描述颜色的强度
import cv2
from google.colab.patches import cv2_imshow
image = cv2.imread(image_file)
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2_imshow(hsv_image)
下图为RGB和HSV
b. LAB
- L：描述颜色的亮度，与强度互换使用
- A : 颜色成分范围，从绿色到品红色
- B：从蓝色到黄色的颜色分量
import cv2
from google.colab.patches import cv2_imshow
image = cv2.imread(image_file)
lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
cv2_imshow(lab_image)
下图为RGB和LAB颜色空间可视化
b. YCrCb
- Y : 伽马校正后从 RGB 颜色空间获得的亮度
- Cr：描述红色 ? 分量与亮度的距离
- Cb：描述蓝色 (B) 分量与亮度的距离
import cv2
from google.colab.patches import cv2_imshow
image = cv2.imread(image_file)
ycrcb_image = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
cv2_imshow(ycrcb_image)
下图为RGB 与 YCrCb 颜色空间
一旦我们已经识别或探索了足够多的图像色彩空间，并确定我们只对单个通道感兴趣，我们就可以使用*cv2.inRange()*来屏蔽不需要的像素。这在 HSV 颜色空间中尤其实用。
import cv2
from google.colab.patches import cv2_imshow
# Reading the original image
image_spot = cv2.imread(image_file)
cv2_imshow(image_spot)
# Converting it to HSV color space
hsv_image_spot = cv2.cvtColor(image_spot, cv2.COLOR_BGR2HSV)
cv2_imshow(hsv_image_spot)
# Setting the black pixel mask and perform bitwise_and to get only the black pixels
mask = cv2.inRange(hsv_image_spot, (0, 0, 0), (180, 255, 40))
masked = cv2.bitwise_and(hsv_image_spot, hsv_image_spot, mask=mask)
cv2_imshow(masked)
RGB vs HSV vs Masked 图像使用 cv2.inRange() 检索黑点
2. 形状
一旦我们充分探索了颜色特征，我们可能会在某个时候想要提取图像中的形状。例如，我们任务是找到不同类型的杯子，而颜色不是特别重要。同样，需要做的就是将图像转换为其他颜色空间，看看是否有任何颜色空间会使对象的边缘或形状更加突出，然后我们就可以使用cv2.finContours来检索图像中的所有轮廓。具体使用方式可以查看OpenCV文档
