您好,登录后才能下订单哦!
小编给大家分享一下python如何实现RGB与YCBCR颜色空间转换,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
人类能够从灰度图像中获取理解场景需要的大部分信息,所以看黑白电视机并不会严重影响人对视频中场景的理解。图像的亮度和像素值成正比,如果需要增加图像的亮度,比如从黑色逐渐过渡到白色,就可以对单通道的灰度图像素值进行增加来实现。保存灰度图像的每个像素值一般采用8个bit,像素值的范围为0-255。
下面的例子展示了灰度图像的像素值增加时亮度的变化过程,假设图像初始像素值为0:
上面显示了lena图像像素值增加时肤色的变化。代码的实现比较简单,读取图片,然后不断的对图像的每个像素值增加偏移量:
import numpy as np import matplotlib.pyplot as plt import imageio image = imageio.imread("lena.jpg") # 设置每次循环像素的增加量 shift = 6*np.ones(shape=(64, 64)) plt.figure() for i in range(1, 17): plt.subplot(4, 4, i) plt.imshow(image/255, cmap="gray", vmin=0, vmax=1) plt.axis("off") image = image + shift
RGB模型在硬件设备中被广泛的使用,通过R(红色)、G(绿色)、B(蓝色)三者进行叠加可以形成更多的颜色。RGB颜色空间和后面将要进行介绍的YCbCr颜色空间和HSV颜色空间存在线性的变换关系,所以只要拥有RGB图像就能得到其它颜色空间的图像。
一幅图像中R、G、B分别作为三个通道,如果某两个通道的值为0,图像的颜色就会被不为零的那个通道控制。
比如:
实现上面的效果需要三个步骤:
(1)创建一幅3通道的空图像
(2)给3通道空图像的R通道添加一幅单通道图像
(3)给3通道图像的R通道像素值不断增加偏移量
# 1:创建一幅3通道的空图像 = np.zeros(shape=(64, 64, 3)) r = imageio.imread("lena.jpg")/2 # 2:给3通道空图像的R通道添加一幅单通道图像 image[:, :, 0] = image[:, :, 0] + r shift = 4*np.ones(shape=(64, 64)) plt.figure() for i in range(1, 17): plt.subplot(4, 4, i) plt.imshow(image/255, vmin=0, vmax=1) plt.axis("off") # (3)给3通道图像的R通道像素值不断增加偏移量 image[:, :, 0] = image[:, :, 0] + shift
但是,由于最终图像呈现出的颜色是三R\G\B三者的叠加,而现实中不仅仅是其中之一的颜色,所以很难控制最终图像的颜色,所以我们需要其它的颜色空间。
YCbCr颜色空间中的Y是亮度通道,Cb是蓝色分量,Cr是红色分量。它在电视系统中比较常用,比如早期的黑白电视机使用彩色电视信号线,就可以单独使用亮度值;这种功能RGB颜色空间就做不到,因为我们不能仅仅使用RGB中某个通道作为亮度信号来使用。
由于YCbCr经常和YUV颜色空间比较相似,所以二者容易被认为是从属或者等价关系,按照维基百科的说法:YUV 是模拟信号,而YCbCr是数字信号。
YCbCr和RGB存在线性的变换关系,本文介绍的变换矩阵来自ITU.BT-601,所规定的变换矩阵Trans形式如下:
实现rgb2ycbcr()函数只需要两个步骤:(1)创建变换矩阵Trans;(2)遍历图像每个像素点,并对三个通道分别进行矩阵计算。
下面的代码展示了如何实现从RGB空间到YCBCR变换:
def rgb2ycbcr(rgb_image): """convert rgb into ycbcr""" if len(rgb_image.shape)!=3 or rgb_image.shape[2]!=3: raise ValueError("input image is not a rgb image") rgb_image = rgb_image.astype(np.float32) # 1:创建变换矩阵,和偏移量 transform_matrix = np.array([[0.257, 0.564, 0.098], [-0.148, -0.291, 0.439], [0.439, -0.368, -0.071]]) shift_matrix = np.array([16, 128, 128]) ycbcr_image = np.zeros(shape=rgb_image.shape) w, h, _ = rgb_image.shape # 2:遍历每个像素点的三个通道进行变换 for i in range(w): for j in range(h): ycbcr_image[i, j, :] = np.dot(transform_matrix, rgb_image[i, j, :]) + shift_matrix return ycbcr_image
如果想要求逆变换,只需要根据矩阵求逆法则进行就可以了,需要注意的是:逆变换时偏移矩阵也需要左乘变换矩阵Trans的逆!逆变换只需要将rgb2ycbcr
中的transform_matrix
求逆即可,再次强调:shift_matrix也需要乘以transform_matrix的逆,而不是直接减去shift_matrix!
def ycbcr2rgb(ycbcr_image): """convert ycbcr into rgb""" if len(ycbcr_image.shape)!=3 or ycbcr_image.shape[2]!=3: raise ValueError("input image is not a rgb image") ycbcr_image = ycbcr_image.astype(np.float32) transform_matrix = np.array([[0.257, 0.564, 0.098], [-0.148, -0.291, 0.439], [0.439, -0.368, -0.071]]) transform_matrix_inv = np.linalg.inv(transform_matrix) shift_matrix = np.array([16, 128, 128]) rgb_image = np.zeros(shape=ycbcr_image.shape) w, h, _ = ycbcr_image.shape for i in range(w): for j in range(h): rgb_image[i, j, :] = np.dot(transform_matrix_inv, ycbcr_image[i, j, :]) - np.dot(transform_matrix_inv, shift_matrix) return rgb_image.astype(np.uint8)
所需要的包以及绘图代码如下,绘图用到的就是上面定义的两个函数。首先将rgb转为ycbcr,在从ycbcr转为rgb:
import numpy as np import imageio import matplotlib.pyplot as plt rgb_image = imageio.imread("lena.jpg") ycbcr_image = rgb2ycbcr(rgb_image) cycle_image = ycbcr2rgb(ycbcr_image) images = [rgb_image, ycbcr_image, cycle_image] titles = ["orignal", "ycbcr", "cycle"] for i in range(1, len(images)+1): plt.subplot(1, 3, i) plt.title(titles[i-1]) plt.imshow(images[i-1]/255)
下图中左边是原始的rgb图像,中间是转换得到的ycbcr空间图像,右边是再次转回rgb空间的图像:
最后,对比了opencv提供的标准库的转换效果:
import cv2 rgb_image = imageio.imread("lena.jpg") ycrcb_image = cv2.cvtColor(rgb_image, cv2.COLOR_RGB2YCR_CB) cycle_image = cv2.cvtColor(ycbcr_image, cv2.COLOR_YCR_CB2RGB) images = [rgb_image, ycrcb_image, cycle_image] titles = ["orignal", "ycrcb", "cycle"] for i in range(1, len(images)+1): plt.subplot(1, 3, i) plt.title(titles[i-1]) plt.imshow(images[i-1]/255)
opencv得到的结果如下:
原始rgb效果和cycle(重构)效果很接近,而中间结果不一致是因为opencv采用的是“ycrcb”,而不是“ycbcr”。
以上是“python如何实现RGB与YCBCR颜色空间转换”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。