图像颜色空间对比（Opencv）
1. 颜色转换
import cv2
import matplotlib.pyplot as plot
img = cv2.imread("tmp.jpg")
img_r = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_g = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_h = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
img_l = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
plot.figure(figsize=(15,3));
plot.subplot(1,5,1)
plot.title('BGR image')
plot.imshow(img)
plot.subplot(1,5,2)
plot.title('BGR to RGB')
plot.imshow(img_r)
plot.subplot(1,5,3)
plot.title('BGR to Gray')
plot.imshow(img_g)
plot.subplot(1,5,4)
plot.title('BGR to HSV')
plot.imshow(img_h)
plot.subplot(1,5,3)
plot.title('BGR to LAB')
plot.imshow(img_l)
plot.show()
2. 各颜色空间对比
| 颜色空间 | 通道数 | 通道含义 | 数据范围 | 主要应用场景 | 优缺点 |
|---|---|---|---|---|---|
| RGB | 3 | Red（红）、Green（绿）、Blue（蓝） | 各通道值范围：0-255 | 图像显示、基础图像处理 | ✅ 直观易用 ❌ 对光照变化敏感 |
| BGR | 3 | Blue（蓝）、Green（绿）、Red（红） | 各通道值范围：0-255 | OpenCV默认图像格式、视频处理 | ✅ OpenCV原生支持 ❌ 与常规RGB顺序相反 |
| Gray | 1 | 亮度（Luminance） | 单通道值范围：0-255 | 人脸检测、文字识别、简化计算 | ✅ 计算效率高 ❌ 丢失颜色信息 |
| HSV | 3 | Hue（色相）、Saturation（饱和度）、Value（明度） | H: 0-180 S/V: 0-255 | 颜色检测、色彩分割、光照鲁棒处理 | ✅ 颜色分离效果好 ❌ H通道是循环角度值（0°=180°） |
| Lab | 3 | L（亮度）、a（红绿轴）、b（黄蓝轴） | L: 0-255 a/b: -128~127 | 颜色一致性校正、复杂颜色分割 | ✅ 接近人类视觉感知 ❌ 计算复杂度较高 |
3. 应用说明
3.1 RGB vs BGR
- OpenCV默认使用BGR格式，与其他库（如Matplotlib）交互时需转换
- 转换方法：cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
3.2 HSV
- H（色相）在OpenCV中被压缩到0-180范围（常规为0-360°）
- 常用于颜色过滤（如检测红色物体）
3.3 Lab
- L通道表示亮度，与设备无关
- a通道：绿色→红色（-128→127）
- b通道：蓝色→黄色（-128→127）
- 在Photoshop等专业工具中广泛使用
3.4 Gray
- 转换公式：Gray = 0.299R + 0.587G + 0.114*B（加权平均法）
3.5 典型使用场景示例：
- 人脸检测：优先使用灰度图（减少计算量）
- 颜色追踪：HSV空间定义颜色范围（如cv2.inRange()）
- 图像增强：Lab空间调整亮度（L通道）不影响颜色
- 跨设备颜色一致性：Lab空间进行颜色校正