当前位置：首页>編程日記>正文

计算机视觉教程0-2：你了解眼里所见的色彩吗？(详解RGB/HSV/Lab)

編程日記08-29

计算机视觉教程0-2：你了解眼里所见的色彩吗？(详解RGB/HSV/Lab)

1 认识色彩

我们DNA里的氮元素，牙齿里的钙元素，血液里的铁元素，吃掉的东西里的碳元素，都是曾经宇宙大爆炸时的万千星辰散落后组成的，所以我们每个人都是星辰。——卡尔萨根

在这里插入图片描述
在我们的印象里，星辰都是斑斓的、靓丽的、无垠的，但不知道你有没想过，你真的认识和了解星辰绚丽色彩背后的故事吗？

什么是色彩？

如图所示，色彩(color)对应电磁波的可见光波段，是被后期处理的波长信息。色彩既是物体的客观属性——确定的波长，又带有大脑的主观属性——不同的个体对特定波长的电磁波敏感程度不同，感受的色彩也有差异。

在这里插入图片描述

2 描述色彩

为了表示色彩，人们建立了一维、二维、三维甚至四维空间坐标模型，这些色彩模型称为色彩空间(Colour Space)。下面介绍常见的色彩空间。

2.1 RGB色彩空间

RGB色彩空间基于三原色学说：视网膜存在三种视锥细胞，分别含有对红、绿、蓝三种光线敏感的视色素，当一定波长的光线作用于视网膜时，以一定的比例使三种视锥细胞分别产生不同程度的兴奋，这样的信息传至大脑中枢就产生某一种颜色的感觉。

在RGB模式下，通道向量 $C$ 的三个分量分别表示 $R$ 、 $G$ 、 $B$ 三个颜色通道的颜色强度。 $R$ 、 $G$ 、 $B$ 相当于颜色空间的三个正交基，如图所示，通过 $R$ 、 $G$ 、 $B$ 的比例来混合调节出纷繁复杂的各种颜色。

在这里插入图片描述

RGB颜色模型的优点是：

易于理解；
便于硬件实现，现代显示屏一般基于RGB模型；
引入位分辨率(颜色深度)，指一个像素中，每个颜色分量的比特数。位分辨率决定了色彩等级，例如8位颜色深度，每个颜色分量就有256种可能。

RGB颜色模型的缺点在于三个分量均用于表示色调，即如果改变某一个分量的数值，这个像素的颜色就发生了改变。在颜色定位等工程中，使用RGB模型就要同时考虑 $R$ 、 $G$ 、 $B$ 三个变量，较为复杂。

2.2 HSV色彩空间

HSV颜色空间比RGB更接近人们对彩色的感知经验，非常直观地表达颜色的色调、鲜艳程度和明暗程度。

在HSV模式下，通道向量 $C$ 由三个部分组成：

色调、色相(Hue)：指色彩的相貌和特征，在波形图中一个特定波长就对应一个色调。
饱和度(Saturation)：指色彩鲜艳程度，呈现一种从理性(灰度)到感性(纯色)的变化。
明度(Value, Brightness)：指某种颜色的透光量。与亮度(Lightness)不同，亮度特指被白光稀释的浓度，任何颜色的高亮都趋于白色，但每种高明度颜色都不同。

在这里插入图片描述

由于HSV可以单独处理色调值，而不会影响到明度和饱和度；或者单独改变明度、饱和度而不影响颜色本身，因此在图像处理中，HSV常用于颜色定位追踪、提取色彩直方图等。

HSV模型的缺点是目前很少有硬件支持，需要从RGB或其他色彩空间进行转换。

2.3 Lab色彩空间

Lab色彩空间基于人对颜色的感觉设计，具有感知均匀性(Perceptual Uniform)，即如果参数L、a、b变化幅度一样，则人视觉上的变化幅度也差不多。

在这里插入图片描述

在Lab模式下，通道向量 $C$ 由三个部分组成：

亮度(Lightness)
a颜色分量：代表从绿色到红色的分量
b颜色分量：代表从蓝色到黄色的分量

Lab同样容易调整——调节亮度仅需关注L通道，调节色彩平衡仅需关注a和b通道。此外，Lab还具有色域广阔、设备无关等性质。

3 数字成像

数字成像时，设备通过如图所示的图像传感器感光并转换为一定的强度值，这个过程称为图像的数字化，数字图像的基本单元称为像素(Pixel)。

如果数字成像设备仅使用图像传感器，则无法获取光照的颜色信息，即只能产生灰度图像。为了获取彩色图片，引入拜耳滤波器(Bayer Filter)，其核心原理是通过滤光降采样获得图像色彩信息，通过插值、修正等算法恢复彩色图像。

在这里插入图片描述

具体而言，在图像传感器前面设置一个滤光层，上面布满的滤光点与下层像素一一对应，这些滤光点按照2×2的色块依次排列，称为拜耳阵列。每个滤光点仅通过 $R$ 、 $G$ 、 $B$ 中的一种——下层像素只可能为 $R$ 、 $G$ 、 $B$ 或NULL，至此设备完成了对图像降采样后原始色彩信息的搜集。

4 数字成像实例

在这里插入图片描述
对于一张彩色数字图片，通常会将其表成一个 $W×H×CW\times H\times C$ 的3维矩阵。其中

$W$ 表示图片的宽；
$H$ 表示图片的高；
$C$ 表示图片的通道数；
$W×HW\times H$ 描述的是图片的分辨率——表示图像包含的像素总数；

$C$ 描述的是像素点代表的色彩，通常 $C$ 是一个向量，可以通过赋予 $C$ 不同维度不同的含义，描述不同的颜色空间，体现的是图片更深层的细节。

🚀 计算机视觉基础教程说明

章号                                    内容
0                              色彩空间与数字成像
1                              计算机几何基础
2                              图像增强、滤波、金字塔
3                              图像特征提取
4                              图像特征描述
5                              图像特征匹配
6                              立体视觉
7                              项目实战

🔥 更多精彩专栏：