图像处理基础：颜色空间及其OpenCV实现
重磅干货，第一时间送达
作者：Soumyadip Sarkar
编译：ronghuaiyang
转自：AI公园
对图像的颜色空间做了一个概念性的介绍，并通过代码的方式可视化了每种颜色空间的每个通道所表示的意义。
文章内容包括：
什么是颜色空间？ 颜色空间有哪些类别？ 如何在OpenCV中实现？
什么是颜色空间？
颜色是一种连续的现象，它意味着有无数种颜色。但是，人类的眼睛和感知能力是有限的。所以，为了识别这些颜色，我们需要一种媒介或这些颜色的表示，这种颜色的表示被称为色彩空间。在技术术语中，一个颜色模型或颜色空间是一个特定的3-D坐标系统以及该系统中的一个子空间，其中每一种颜色都由一个单点表示。
有哪些颜色空间的类型？
目前主要有五种类型的颜色模型。但是，我将只写一些常见的(RGB、HSV和HSL)。
RGB(Red Green Blue) HSL(Hue Saturation Lightness) HSV(Hue Saturation Value) YUV(Luminance, blue–luminance, red–luminance) CMYK(Cyan, Magenta, Yellow, Key)
RGB颜色空间：
RGB颜色空间是三维坐标系中红、绿、蓝坐标所表示的著名颜色空间之一。在更专业的术语中，RGB将颜色描述为由三个部分组成的元组。每个部分都可以取0到255之间的值，其中元组(0,0,0)表示黑色，元组(255,255,255)表示白色。元组的第0、第1和第2个部分分别表示红、绿、蓝的分量。
RGB颜色空间的Python实现：
这里我们导入了必要的库，cv2用于颜色空间转换，NumPy用于数组操作，Matplotlib用于显示图像，os用于访问图像目录，tqdm用于显示加载栏。
hsl_img = cv2.cvtColor(X[0],cv2.COLOR_BGR2HLS) #### CONVERTING BGR COLOR SPACE INTO HSL COLOR SPACE ####
hsl_img_1 = hsl_img.copy()
hsl_img_2 = hsl_img.copy()
hsl_img_3 = hsl_img.copy()
hsl_img_1[:,:,1] = 0 #### HUE --> ZERO ####
hsl_img_1[:,:,2] = 0
hsl_img_2[:,:,0] = 0 #### SATURATION --> ZERO ####
hsl_img_2[:,:,2] = 0
hsl_img_3[:,:,0] = 0 #### LIGHTNESS --> ZERO ####
hsl_img_3[:,:,1] = 0
设置两个空列表Z和X，分别用于存储带有各自图像的标签，然后指定图像大小和路径目录。在这之后，我定义了两个函数，用于返回flower类型(assign_lable)和访问每个图像、读取和调整其大小(make_train_data)。
Z,X=[],[]IMG_SIZE=150FLOWER_SUNFLOWER_DIR='../input/flowers-recognition/flowers/flowers/sunflower'
def assign_label(img,flower_type): return flower_type
def make_train_data(flower_type,DIR): for img in tqdm(os.listdir(DIR)): label=assign_label(img,flower_type) path = os.path.join(DIR,img) img = cv2.imread(path,cv2.IMREAD_COLOR) img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))#Resizing the image加载图像，然后在OpenCV以BGR格式读取图像时将BGR颜色空间转换为RGB颜色空间，但Maplotlib使用RGB格式来显示图像。这就是为什么我们需要转换颜色空间后，读取图像为RGB。
然后对固定图像进行三份拷贝，并将每份拷贝的任何双色通道设为零，分别用于访问红、绿、蓝通道。如果你让第0个颜色通道都是0那么你只会得到蓝色通道。
make_train_data('Sunflower',FLOWER_SUNFLOWER_DIR) #####Loading Sunflower Data
fix_img = cv2.cvtColor(X[0],cv2.COLOR_BGR2RGB) ###########CONVERTING BGR COLOR SPACE INTO RGB COLOR SPACE #########
new_img_1 = fix_img.copy()
new_img_2 = fix_img.copy()
new_img_3 = fix_img.copy()
new_img_1[:,:,0] = 0 # making R channel zero ####For BLUE channel#####
new_img_1[:,:,1] = 0 #making G channel zero
new_img_2[:,:,1] = 0####For RED color Channel####
new_img_2[:,:,2] = 0
new_img_3[:,:,0] = 0###For GREEN Channel####
new_img_3[:,:,2] = 0
显示图像：
f, axes = plt.subplots(1,3, figsize = (15,15))list = [new_img_1,new_img_2,new_img_3]i = 0for ax in axes: ax.imshow(list[i]) i+=1HSL颜色空间：
HSL的一般含义是色调、饱和度和明度。你可以将HSL以圆柱体的形式可视化，如图2(a)所示。围绕圆柱体的是不同的颜色，比如绿色、黄色、红色等等(我们真正想要的颜色)。饱和度是指颜色的多少，而明度是指颜色有多暗或多亮。正如你所看到的，圆柱体的顶部全是白色，底部全是黑色。
图2：HSL颜色空间
HSL颜色空间的Python实现：
使用OpenCV函数**cvtColor()**将BGR颜色空间转换为HSL颜色空间，在这里我们需要传递图像，以及从哪个颜色空间到哪个颜色空间我们想要改变图像。然后再复制并使两个颜色通道为零，以便分别显示每个颜色通道。
hsl_img = cv2.cvtColor(X[0],cv2.COLOR_BGR2HLS) #### CONVERTING BGR COLOR SPACE INTO HSL COLOR SPACE ####
hsl_img_1 = hsl_img.copy()
hsl_img_2 = hsl_img.copy()
hsl_img_3 = hsl_img.copy()
hsl_img_1[:,:,1] = 0 #### HUE --> ZERO ####
hsl_img_1[:,:,2] = 0
hsl_img_2[:,:,0] = 0 #### SATURATION --> ZERO ####
hsl_img_2[:,:,2] = 0
hsl_img_3[:,:,0] = 0 #### LIGHTNESS --> ZERO ####
hsl_img_3[:,:,1] = 0
现在显示三个不同的颜色通道→
f, axes = plt.subplots(1,3, figsize = (15,15))list = [hsl_img_1,hsl_img_2,hsl_img_3]i = 0for ax in axes: ax.imshow(list[i]) i+=1HSV颜色空间：
HSV这个名字来自于颜色模型的三个坐标，即色相、饱和度和值。它也是一个圆柱形的颜色模型，圆柱体的半径表示饱和度，垂直轴表示值，角度表示色调。对于观察者，色调是占主导地位的，饱和度是混合到色调中的白光的数量，value是chrome的强度，value较低颜色变得更加类似于黑色，value越高，颜色变得更加像颜色本身。通过改变这些参数，我们可以生成不同的颜色。
图3：HSV颜色空间
HSV颜色空间的Python实现：
使用cvtColor()函数将色彩空间转换为HSV色彩空间。然后再复制并使两个通道置为零，以便分别显示每个通道。
hsv_img = cv2.cvtColor(X[0],cv2.COLOR_BGR2HSV)
hsv_img_1 = hsv_img.copy()
hsv_img_2 = hsv_img.copy()
hsv_img_3 = hsv_img.copy()
hsv_img_1[:,:,1] = 0#HUE --> ZERO
hsv_img_1[:,:,2] = 0
hsv_img_2[:,:,0] = 0#SATURATION --> ZERO
hsv_img_2[:,:,2] = 0
hsv_img_3[:,:,0] = 0#VALUE --> ZERO
hsv_img_3[:,:,1] = 0
单独显示每个颜色通道：
英文原文：https://medium.com/analytics-vidhya/image-processing-series-part1-colorspaces-836d2e3ca700