七天速成数字图像处理之七（颜色图像处理基础）

✳️ 第一节：颜色模型基础

✅ 步骤目标：
理解常用颜色模型的结构、数学表达与使用场景。

📥 输入内容：
一张 RGB 彩色图像。

🔍 关键知识任务：

RGB（Red, Green, Blue）
构成：每个像素由 R/G/B 三个分量组成，值范围通常为 [0, 255]。
特点：适合显示设备，但不适合色调、亮度调节。
例子：原始数码相机输出图像。
HSV（Hue, Saturation, Value）
Hue：色相（色彩种类，0-360°）
Saturation：饱和度（纯度）
Value：明度（亮度）
💡 应用场景：颜色分割（如检测黄色车牌、红色苹果等）更容易在人类感知空间中进行。
YCrCb（亮度+色度）
Y：亮度（Luminance）
Cr、Cb：色度信息（红/蓝差）
💡 应用场景：压缩标准（如 JPEG/MPEG）更偏爱 YCrCb，因人眼对亮度更敏感。
Lab（CIELAB）
L：亮度

a、b：颜色维度（绿-红轴、蓝-黄轴）

💡 优势：更贴近人类感知的颜色差异度量（用于图像比对、图像增强）

颜色模型	应用优势	是否感知友好	是否常用于分割/增强
RGB	图像采集、显示设备	❌	一般
HSV	色彩选择、颜色分割	✅	✅
YCrCb	视频压缩、肤色检测	✅	✅
Lab	感知增强、颜色匹配	✅	✅

✅ Done Criteria：
能区分并理解每种颜色模型的结构与应用；

能说出什么时候 RGB 不好用，什么时候 HSV 更适合；

能通过 OpenCV 将 RGB 图像转换为 HSV 或 YCrCb；

🎨 第二节：颜色空间转换（含代码与操作）

✅ 步骤目标：
掌握如何在不同颜色模型之间进行转换，并理解其实际用途。

📥 输入内容：
一张 RGB 彩色图像；

Python 环境（推荐使用 OpenCV）；

import cv2
import matplotlib.pyplot as plt# 读取图像（确保是 BGR）
image = cv2.imread("your_image.jpg")# 转换为 RGB（Matplotlib 显示用）
rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 转换为 HSV
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 转换为 YCrCb
ycrcb_image = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)# 转换为 Lab
lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2Lab)# 显示图像
titles = ['RGB', 'HSV', 'YCrCb', 'Lab']
images = [rgb_image, hsv_image, ycrcb_image, lab_image]plt.figure(figsize=(12, 8))
for i in range(4):plt.subplot(2, 2, i+1)plt.imshow(images[i])plt.title(titles[i])plt.axis('off')
plt.tight_layout()
plt.show()

转换	作用	使用场景
`RGB → HSV`	将图像转换为色相、饱和、明度	颜色分割、选色、图像调整
`RGB → YCrCb`	分离亮度与色差信息	人脸识别、视频压缩（JPEG）
`RGB → Lab`	感知友好、颜色差异度量	图像匹配、颜色增强、对比提升

🎯 衍生任务建议：
可提取某一通道如 HSV[…, 0]（色调），进行颜色掩膜分割；

可对 Y 通道做直方图均衡，用于亮度提升；

对 Lab 图像中 L 通道增强 + a/b 保持，可做对比度优化不影响色彩。

✅ Done Criteria：
能用代码在 RGB 与其他颜色空间之间自由转换；

知道各个颜色空间的通道意义；

能结合任务场景选用合适的颜色空间。

🎨 第三节：颜色通道处理与颜色增强

✅ 步骤目标：
理解颜色通道的独立性与协同性；

学会在每个通道上进行操作（如增强红色、调节亮度）；

掌握通道分离、合并、增强的基本流程；

📥 输入内容：
一张 RGB 图像；

使用 OpenCV 或 Matplotlib 的可视化环境；
🧩 任务 1：颜色通道的分离与合并

import cv2
import matplotlib.pyplot as pltimg = cv2.imread('your_image.jpg')
b, g, r = cv2.split(img)# 显示每个通道
plt.figure(figsize=(12, 4))
for i, (channel, title) in enumerate(zip([b, g, r], ['Blue', 'Green', 'Red'])):plt.subplot(1, 3, i+1)plt.imshow(channel, cmap='gray')plt.title(title)plt.axis('off')
plt.tight_layout()
plt.show()# 合并通道
merged = cv2.merge([b, g, r])

在这里插入图片描述

🧩 任务 2：只增强某个通道（如红色）

# 让红色更强烈
r_boosted = cv2.add(r, 50)  # 限制最大值为255
boosted_img = cv2.merge([b, g, r_boosted])# 可视化
plt.imshow(cv2.cvtColor(boosted_img, cv2.COLOR_BGR2RGB))
plt.title("Red Channel Boosted")
plt.axis('off')
plt.show()

在这里插入图片描述

🧩 任务 3：颜色通道的“单通道显示” vs “通道叠加显示”
单通道显示：提取 R/G/B 作为灰度图表示各通道强度；

通道叠加显示：将通道值置为 0，只保留目标通道可形成色彩图：

# 只显示红色部分（非灰度）
zeros = b * 0
red_only = cv2.merge([zeros, zeros, r])

在这里插入图片描述

操作类型	示例	效果
通道加亮	`cv2.add(r, 50)`	增强亮度/颜色强度
对比度提升	`cv2.equalizeHist(g)`	强化颜色分布
掩膜增强	只在特定区域增强某通道	聚焦目标，如红色区域增强
通道互换	交换 R ↔ G	改变视觉色彩表现
加权组合	`gray = 0.3r + 0.59g + 0.11*b`	转灰度、亮度融合
🎯 输出产物
你可以实现如下功能：

精准提取和增强某一通道的图像效果；

手动构建灰度图或亮度图；

通过通道操作进行视觉风格修改；

✅ Done Criteria：
能够用代码拆分与合并颜色通道；

能对单个通道进行亮度、对比度或掩膜增强；

能清晰区分“单通道灰度显示”与“通道色彩叠加显示”的含义；

第四章：伪彩色处理与应用（Pseudocolor Processing）

✅ 步骤目标
理解什么是伪彩色（Pseudocolor）及其与真彩色的区别；

掌握灰度图转伪彩色图的方法；

学会常见伪彩色映射策略及其用途；

实践多个伪彩色映射函数在 OpenCV / Matplotlib 中的应用；

📥 输入内容
一张灰度图像或亮度图像；

可选：红外图像、热成像图像、医学图像（如X光）；

使用 OpenCV 和/或 Matplotlib 进行处理与可视化；

🔍 关键任务
🧩 任务 1：什么是伪彩色图像？
真彩色图像（True Color）：RGB 三通道均来源于真实颜色；
伪彩色图像（Pseudocolor）：
原图可能只有灰度（单通道）；
使用某种颜色映射表（colormap）将灰度值映射为彩色；
视觉上更容易感知梯度、边界和差异。

import cv2
import matplotlib.pyplot as pltgray = cv2.imread("test_gray.jpg", 0)  # 读取为灰度图# 应用伪彩色（如 JET、HOT、RAINBOW）
pseudo = cv2.applyColorMap(gray, cv2.COLORMAP_JET)plt.imshow(cv2.cvtColor(pseudo, cv2.COLOR_BGR2RGB))
plt.title("Pseudocolor - JET")
plt.axis('off')
plt.show()

🎨 常用伪彩色表：

COLORMAP_JET: 热力图风格，红->绿->蓝；

COLORMAP_HOT: 黑->红->黄->白，适合热成像；

COLORMAP_OCEAN, COLORMAP_SUMMER, COLORMAP_RAINBOW 等可用于不同任务；

应用领域	图像类型	伪彩色作用
医学影像	X光、MRI	强调病灶与正常区域的对比
热成像	红外图像	显示温度分布，增强识别力
工业检测	缺陷/厚度图	可视化微小纹理或材料差异
卫星遥感	地形图、波段图	分析植被、土地、水体等
数学图像分析	灰度图	显示梯度、边缘、亮度差异等