數(shù)字圖像處理與Python實(shí)現(xiàn)筆記之彩色圖像處理初步

• 摘要
• 緒論
• 1 數(shù)字圖像處理基礎(chǔ)知識(shí)
• 2 彩色圖像處理初步
• • 2.1 彩色圖像的顏色空間
  • • 2.1.1 RGB顏色空間
    • 2.1.2 HSI顏色空間
    • 2.1.3 RGB和HSI顏色空間的轉(zhuǎn)換
  • 2.2 偽彩色圖像處理
  • • 2.2.1 強(qiáng)度分層
    • 2.2.2 灰度值到彩色變換
  • 2.3 基于彩色的圖像分割
  • • 2.3.1 HSI顏色空間中的分割
    • 2.3.2 RGB顏色空間中的分割
  • 2.4 彩色圖像的灰度化
  • 2.5 小結(jié)
• 參考資料

摘要

簡(jiǎn)要介紹數(shù)字圖像處理涉及的一些基本概念、基本運(yùn)算、基本類型，以及如何通過(guò)Python對(duì)數(shù)字圖像進(jìn)行讀取和簡(jiǎn)單操作。

以彩色圖像為例對(duì)數(shù)字圖像處理的基本操作進(jìn)行介紹，熟悉數(shù)字圖像處理的基本過(guò)程，主要包括顏色空間的基本概念、偽彩色圖像處理操作，彩色圖像處理簡(jiǎn)單操作。

瞄準(zhǔn)在空間域中對(duì)圖像進(jìn)行增強(qiáng)，介紹空間濾波的機(jī)理、基本概念以及使用的基本技術(shù)。本章內(nèi)容包括空間濾波基本概念、基于空間濾波的圖像平滑處理、基于空間濾波的銳化操作以及混合空間增強(qiáng)。

從頻域角度入手對(duì)圖像處理及增強(qiáng)方法展開(kāi)介紹。因?yàn)轭l域?yàn)V波所需的數(shù)學(xué)知識(shí)較多，所以本章采取由淺入深的策略，首先介紹一維傅里葉變換，其次介紹二維傅里葉變換和快速傅里葉變換，最后介紹圖像頻域?yàn)V波中出現(xiàn)的各種技術(shù)，其大體可分為低通濾波和高通濾波兩大類。

從全局特征提取和局部特征提取兩方面入手，分別介紹顏色特征、紋理特征、形狀特征、邊緣特征、點(diǎn)特征的提取方法。本章內(nèi)容是目前機(jī)器視覺(jué)和圖像處理領(lǐng)域的學(xué)者關(guān)注較多的內(nèi)容，通過(guò)穿插較多的實(shí)例，幫助讀者理解圖像特征提取的基本技術(shù)。

瞄準(zhǔn)如何減少圖像傳輸及存儲(chǔ)數(shù)據(jù)大小，介紹主要使用的壓縮技術(shù)，包括有損壓縮和無(wú)損壓縮等，并使用JPEG壓縮技術(shù)串講全章知識(shí)點(diǎn)。

介紹圖像的小波域表示及多分辨率表示。

緒論

• 人工智能是引領(lǐng)未來(lái)發(fā)展的戰(zhàn)略性技術(shù)，是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動(dòng)力量，將深刻地改變?nèi)祟惿鐣?huì)生活。

• 促進(jìn)人工智能和實(shí)體經(jīng)濟(jì)的深度融合，構(gòu)建數(shù)據(jù)驅(qū)動(dòng)、人機(jī)協(xié)同、跨界融合、共創(chuàng)分享的智能經(jīng)濟(jì)形態(tài)，更是推動(dòng)質(zhì)量變革、效率變革、動(dòng)力變革的重要途經(jīng)。

• 進(jìn)年來(lái)，我國(guó)人工智能新技術(shù)、新產(chǎn)品、新業(yè)態(tài)持續(xù)涌現(xiàn)，與農(nóng)業(yè)、制造業(yè)、服務(wù)業(yè)等行業(yè)的融合步伐明顯加快，在技術(shù)創(chuàng)新、應(yīng)用推廣、產(chǎn)業(yè)發(fā)展等方面成效初顯。

• 人工智能技術(shù)并不是一個(gè)新生事物，它在最近幾年引起全球性關(guān)注并得到飛速發(fā)展的主要原因，在于它的三個(gè)基本要素（算法、數(shù)據(jù)、算力）的迅猛發(fā)展，其中又以數(shù)據(jù)和算力的發(fā)展尤為重要。

• 物聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展使得數(shù)據(jù)累計(jì)的難度越來(lái)越低，而芯片算力的不斷提升，使得過(guò)去只能通過(guò)云計(jì)算才能完成的人工智能運(yùn)算，現(xiàn)在可以下沉到最普通的設(shè)備上完成。

• 物聯(lián)網(wǎng)技術(shù)為機(jī)器帶來(lái)感知能力，而人工智能則通過(guò)計(jì)算算力為機(jī)器帶來(lái)了決策能力，正如感知和大腦對(duì)自然生命進(jìn)化所起到的必然性作用。

1 數(shù)字圖像處理基礎(chǔ)知識(shí)

https://hulin.blog.csdn.net/article/details/107570020

2 彩色圖像處理初步

• 對(duì)于灰度圖像而言，其每個(gè)像素的亮度用一個(gè)數(shù)值表示即可。而彩色圖像的每個(gè)像素包含了顏色信息，每個(gè)像素的光強(qiáng)度和色度需用三個(gè)數(shù)值描述。
• 研究彩色圖像的主要原因：第一，彩色圖像符合人類視覺(jué)特點(diǎn)，人類可以辨別幾千種顏色色調(diào)和亮度，但卻只能辨別幾十種灰度層次。第二，彩色可以更好的表達(dá)圖像的特征，可根據(jù)圖像的顏色特征簡(jiǎn)化目標(biāo)物的區(qū)分與識(shí)別。

2.1 彩色圖像的顏色空間

• 彩色圖像的顏色空間也稱為顏色模型和彩色系統(tǒng)，用于對(duì)顏色進(jìn)行描述和說(shuō)明。常用的顏色空間包括RGB顏色空間和HSI顏色空間。

2.1.1 RGB顏色空間

• 白光通過(guò)玻璃棱鏡會(huì)出現(xiàn)紫色到紅色的連續(xù)彩色光譜，光由多種色譜構(gòu)成。

• 人眼中有大量對(duì)紅、綠、藍(lán)顏色敏感的追狀體細(xì)胞，因此常用RGB顏色空間表達(dá)彩色圖像信息。這3種原色的混合色基本覆蓋了人類的色彩空間，從而滿足了人類的色彩體驗(yàn)。
  

• RGB圖像由三個(gè)圖像分量組成，分別是R通道圖像、G通道圖像和B通道圖像。

import skimage.data as data import matplotlib.pyplot as pltimage = data.coffee() # 載入RGB圖像plt.subplot(2,2,1) plt.title('RGB image') plt.axis('off') # 不顯示坐標(biāo)軸 plt.imshow(image) # 顯示RGB彩色圖像# R 通道圖像 imageR = image[:, :, 0] plt.subplot(2,2,2) plt.title('R image') plt.axis('off') # 不顯示坐標(biāo)軸 plt.imshow(imageR, cmap='gray')# G 通道圖像 imageG = image[:, :, 1] plt.subplot(2,2,3) plt.title('G image') plt.axis('off') # 不顯示坐標(biāo)軸 plt.imshow(imageG, cmap='gray')# B 通道圖像 imageB = image[:, :, 2] plt.subplot(2,2,4) plt.title('B image') plt.axis('off') # 不顯示坐標(biāo)軸 plt.imshow(imageB, cmap='gray')plt.tight_layout() plt.savefig('im.png')

2.1.2 HSI顏色空間

• HSI顏色空間接近人類視覺(jué)感知顏色的方式，包含三個(gè)分量分別是：色調(diào)（Hue，H），飽和度（Saturation，S），亮度（Intensity，I）
  

• HSI顏色空間圓柱體的橫截面稱為色環(huán)，色環(huán)更加清晰的展示了色調(diào)和飽和度兩個(gè)參數(shù)
  

• 色調(diào)H由角度表示，其顏色表示最接近哪個(gè)光譜波長(zhǎng)。

• 飽和度S由色環(huán)的圓心到顏色點(diǎn)的半徑表示，距離越長(zhǎng)表示飽和度越高，顏色越鮮明。

• 亮度I由顏色點(diǎn)到圓柱底部的距離表示。

• 圓柱體底部圓心表示黑色，頂部圓心表示白色。

2.1.3 RGB和HSI顏色空間的轉(zhuǎn)換

• RGB轉(zhuǎn)到HSI顏色空間：將圖像的R、G、B分量分別進(jìn)行歸一化處理
• 在RGB顏色空間中，位于空間位置(x,y)的像素點(diǎn)的顏色用該像素點(diǎn)的R分量R(x,y)、G分量G(x,y)以及B分量B(x,y)3個(gè)數(shù)值表示。在HSI顏色空間中，位于空間位置(x,y)的像素點(diǎn)的H分量、S分量、I分量可由下式計(jì)算得出。
  
  

from skimage import data, io from matplotlib import pyplot as plt import math import numpy as np import sys# 定義RGB圖像轉(zhuǎn)換為HSI圖像的函數(shù) def RGB_to_HSI(r, g, b):r = r / 255g = g / 255b = b / 255num = 0.5 * ((r - g) + (r - b))den = ((r - g) * (r - g) + (r - b) * (g - b)) ** 0.5if b <= g:if den == 0:den = sys.float_info.minh = math.acos(num / den)elif b > g:if den == 0:den = sys.float_info.minh = (2 * math.pi) - math.acos(num / den)s = 1 - (3 * min(r, g, b) / (r + g + b))i = (r + g + b) / 3return int(h), int(s * 100), int(i * 255)# image = io.imread('flower.jpg') image = data.coffee() hsi_image = np.zeros(image.shape, dtype='uint8') for ii in range(image.shape[0]):for jj in range(image.shape[1]):r, g, b = image[ii, jj, :]h, s, i = RGB_to_HSI(r, g, b)hsi_image[ii, jj, :] = (h, s, i)# 顯示RGB原圖像 plt.subplot(2, 4, 1) plt.imshow(image) plt.axis('off') plt.title('RGB')# 顯示RGB原圖像R分量 plt.subplot(2, 4, 2) plt.imshow(image[:, :, 0]) plt.axis('off') plt.title('RGB-R')# 顯示RGB原圖像G分量 plt.subplot(2, 4, 3) plt.imshow(image[:, :, 1]) plt.axis('off') plt.title('RGB-G')# 顯示RGB原圖像B分量 plt.subplot(2, 4, 4) plt.imshow(image[:, :, 2]) plt.axis('off') plt.title('RGB-B')# 顯示HSI原圖像 plt.subplot(2, 4, 5) plt.imshow(hsi_image) plt.axis('off') plt.title('HSI')# 顯示HSI圖像H分量 plt.subplot(2, 4, 6) plt.imshow(hsi_image[:, :, 0]) plt.axis('off') plt.title('HSI-H')# 顯示HSI圖像S分量 plt.subplot(2, 4, 7) plt.imshow(hsi_image[:, :, 1]) plt.axis('off') plt.title('HSI-S')# 顯示HSI圖像I分量 plt.subplot(2, 4, 8) plt.imshow(hsi_image[:, :, 2]) plt.axis('off') plt.title('HSI-I')plt.show()

• HSI轉(zhuǎn)到RGB顏色空間

在HSI顏色空間中，假設(shè)圖像的S分量的值在[0，1]區(qū)間內(nèi)，位于空間位置(x,y)的像素點(diǎn)的顏色用該像素點(diǎn)的顏色用該像素點(diǎn)的H分量、S分量、I分量3個(gè)數(shù)值表示。

2.2 偽彩色圖像處理

• 彩色圖像處理可以分為全彩色圖像處理和偽彩色圖像處理。
• 全彩色圖像由全彩色傳感器獲取，如數(shù)碼相機(jī)和彩色掃描儀。
• 全彩色圖像處理方法分為兩大類：① 分別處理每一分量圖像，然后將處理后的分量圖像合成彩色圖像。② 直接對(duì)彩色像素進(jìn)行處理。
• 偽彩色圖像處理根據(jù)一定的規(guī)則對(duì)灰度值賦以彩色，將灰度圖像轉(zhuǎn)化為給定彩色分布的圖像。主要包括強(qiáng)度分層技術(shù)和灰度值到彩色變換技術(shù)。

2.2.1 強(qiáng)度分層

• 強(qiáng)度分層也稱為灰度分層或灰度分割。將灰度圖像按照灰度值范圍劃分為不同的層級(jí)，然后給每個(gè)層級(jí)賦予不同的顏色，從而增強(qiáng)不同層級(jí)的對(duì)比度。強(qiáng)度分層技術(shù)將灰度圖像轉(zhuǎn)換為偽彩色圖像，且偽彩色圖像的顏色種類數(shù)目與強(qiáng)度分層的數(shù)目一致。

• 灰度圖像
  

• 強(qiáng)度分層圖像
  

2.2.2 灰度值到彩色變換

• 首先對(duì)任何像素的灰度值進(jìn)行3個(gè)獨(dú)立的變換，然后將3個(gè)變換的結(jié)果分別作為偽彩色圖像的紅、綠、藍(lán)通道的亮度值。
• 與強(qiáng)度分層技術(shù)相比，灰度值到彩色變換更通用。
• 繪制灰度值到彩色變換的映射關(guān)系的代碼如下。

from skimage import data, color from matplotlib import pyplot as plt import numpy as npL = 255# 定義灰度值到彩色變換 def getR(gray):if gray < L / 2:return 0elif gray > L / 4 * 3:return Lelse:return 4 * gray - 2 * Ldef getG(gray):if gray < L / 4:return 4 * grayelif gray > L / 4 * 3:return 4 * L - 4 * grayreturn Ldef getB(gray):if gray < L / 4:return Lelif gray > L / 2:return 0else:return 2 * L - 4 * gray# 設(shè)置字體格式 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['font.size'] = 15 plt.rcParams['axes.unicode_minus'] = False x = [0, 64, 127, 191, 255]# 繪制灰度圖像到R通道的映射關(guān)系 plt.figure() R = [] for i in x:R.append(getR(i)) plt.plot(x, R, 'r', label='紅色變換') plt.legend(loc='best')# 繪制灰度圖像到R通道的映射關(guān)系 plt.figure() G = [] for i in x:G.append(getG(i)) plt.plot(x, G, 'g', label='綠色變換') plt.legend(loc='best')# 繪制灰度圖像到B通道的映射關(guān)系 plt.figure() B = [] for i in x:B.append(getB(i)) plt.plot(x, B, 'b', marker='o', markersize='5', label='綠色變換') plt.legend(loc='best')# 繪制灰度圖像到RGB的映射關(guān)系 plt.figure() plt.plot(x, R, 'r') plt.plot(x, G, 'g') plt.plot(x, B, 'b', marker='o', markersize='5')plt.show()

• 灰度圖像按以上映射關(guān)系轉(zhuǎn)換為彩色圖像的代碼如下。

from skimage import data, color from matplotlib import pyplot as plt import numpy as npL = 255# 定義灰度值到彩色變換 def getR(gray):if gray < L / 2:return 0elif gray > L / 4 * 3:return Lelse:return 4 * gray - 2 * Ldef getG(gray):if gray < L / 4:return 4 * grayelif gray > L / 4 * 3:return 4 * L - 4 * grayreturn Ldef getB(gray):if gray < L / 4:return Lelif gray > L / 2:return 0else:return 2 * L - 4 * grayimg = data.coffee() gray_img = color.rgb2gray(img) * 255 color_img = np.zeros(img.shape, dtype='uint8') for i in range(img.shape[0]):for j in range(img.shape[1]):r, g, b = getR(gray_img[i, j]), getG(gray_img[i, j]), getB(gray_img[i, j])color_img[i, j, :] = (r, g, b)plt.figure() plt.axis('off') plt.imshow(gray_img)plt.figure() plt.axis('off') plt.imshow(color_img)plt.show()

2.3 基于彩色的圖像分割

• 圖像分割是把圖像分成各具特性的區(qū)域并提取出感興趣區(qū)域的技術(shù)和過(guò)程。
• 基于彩色的圖像分割是在顏色空間中進(jìn)行圖像分割
• 基于彩色的圖像分割首先觀察原始彩色圖像的各個(gè)分量圖像，利用分量圖像中感興趣區(qū)域的特征對(duì)感興趣區(qū)域進(jìn)行提取，并弱化背景區(qū)域。

2.3.1 HSI顏色空間中的分割

• HSI顏色空間是面向顏色處理的，用色調(diào)H飽和度S描述色彩，用亮度I描述光的強(qiáng)度。
• HSI模型有兩個(gè)特點(diǎn)：I 分量與圖像的彩色信息無(wú)關(guān)，H 分量和S 分量與人感受顏色的方式是緊密相連的。

from skimage import data, color, io from matplotlib import pyplot as plt import numpy as np import math import sys# RGB to HSI def rgb2hsi(r, g, b):r = r / 255g = g / 255b = b / 255num = 0.5 * ((r - g) + (r - b))den = ((r - g) * (r - g) + (r - b) * (g - b)) ** 0.5if b <= g:if den == 0:den = sys.float_info.minh = math.acos(num / den)elif b > g:if den == 0:den = sys.float_info.minh = (2 * math.pi) - math.acos(num / den)s = 1 - 3 * min(r, g, b) / (r + g + b)i = (r + b + g) / 3return int(h), int(s * 100), int(i * 255)image = io.imread(r'Red-Flower.jpg') hsi_image = np.zeros(image.shape, dtype='uint8') for i in range(image.shape[0]):for j in range(image.shape[1]):r, g, b = image[i, j, :]h, s, i = rgb2hsi(r, g, b)hsi_image[i, j, :] = (h, s, i)H = hsi_image[:, :, 0] S = hsi_image[:, :, 1] I = hsi_image[:, :, 2]# 生成二值飽和度模板 S_template = np.zeros(S.shape, dtype='uint8') for i in range(S.shape[0]):for j in range(S.shape[1]):if S[i, j] > 0.3 * S.max():S_template[i, j] = 1# 色調(diào)圖像與二值飽和度模板相乘可得到分割結(jié)果 F = np.zeros(H.shape, dtype='uint8') for i in range(F.shape[0]):for j in range(F.shape[1]):F[i, j] = H[i, j] * S_template[i, j]# 顯示結(jié)果 plt.figure() plt.axis('off') plt.imshow(image) # 顯示原始RGB圖像plt.figure() plt.axis('off') plt.imshow(H, cmap='gray') # 顯示H分量plt.figure() plt.axis('off') plt.imshow(S, cmap='gray') # 顯示S分量plt.figure() plt.axis('off') plt.imshow(I, cmap='gray') # 顯示I分量plt.figure() plt.axis('off') plt.imshow(S_template, cmap='gray') # 顯示二值飽和度模板plt.figure() plt.axis('off') plt.imshow(F, cmap='gray') # 顯示分割結(jié)果plt.show()

• HSI顏色空間中圖像分割的結(jié)果
  

2.3.2 RGB顏色空間中的分割

• RGB顏色空間中的分割算法是最直接的，得到的分割效果較好。

from skimage import data, color, io from matplotlib import pyplot as plt import numpy as np import mathimage = io.imread(r'Red-Flower.jpg') r = image[:, :, 0] g = image[:, :, 1] b = image[:, :, 2] # RGB顏色空間中的分割 # 選擇樣本區(qū)域 r_template = r[128:255, 85:169] # 計(jì)算該區(qū)域的彩色點(diǎn)的平均向量a的紅色分量 r_template_u = np.mean(r_template) # 計(jì)算樣本點(diǎn)紅色分量的標(biāo)準(zhǔn)差 r_template_d = 0.0 for i in range(r_template.shape[0]):for j in range(r_template.shape[1]):r_template_d = r_template_d + (r_template[i, j] - r_template_u) * (r_template[i, j] - r_template_u)r_template_d = math.sqrt(r_template_d / r_template.shape[0] / r_template.shape[1]) # 尋找符合條件的點(diǎn)，r_cut為紅色分割圖像 r_cut = np.zeros(r.shape, dtype='uint8') for i in range(r.shape[0]):for j in range(r.shape[1]):if r[i, j] >= (r_template_u - 1.25 * r_template_d) and r[i, j] <= (r_template_u + 1.25 * r_template_d):r_cut[i, j] = 1 # image_cut為根據(jù)紅色分割后的RGB圖像 image_cut = np.zeros(image.shape, dtype='uint8') for i in range(r.shape[0]):for j in range(r.shape[1]):if r_cut[i, j] == 1:image_cut[i, j, :] = image[i, j, :]plt.figure() plt.axis('off') plt.imshow(image) # 顯示原始圖像plt.figure() plt.axis('off') plt.imshow(r) # 顯示R圖像plt.figure() plt.axis('off') plt.imshow(g) # 顯示G圖像plt.figure() plt.axis('off') plt.imshow(b) # 顯示B圖像plt.figure() plt.axis('off') plt.imshow(r_cut) # 顯示紅色分割圖像圖像plt.figure() plt.axis('off') plt.imshow(image_cut) # 顯示分割后的RGB圖像plt.show()

• 與原始RGB圖像相比，分割后的RGB圖像中綠葉基本被去除，只保留了原始圖像中的紅色花朵。

• 基于彩色的圖像分割主要利用分量圖像中感興趣區(qū)域的顏色特征對(duì)感興趣區(qū)域進(jìn)行顏色提取，并弱化背景區(qū)域

• 原始RGB圖像
  

• R分量圖像
  

• G分量圖像
  

• B分量圖像
  

• 紅色分割圖像圖像
  

• 顯示分割后的RGB圖像
  

2.4 彩色圖像的灰度化

• 灰度圖像能以較少的數(shù)據(jù)表征圖像的大部分特征，因此在某些算法的預(yù)處理階段，需要進(jìn)行彩色圖像灰度化，提高后續(xù)算法的效率。將彩色圖像轉(zhuǎn)換為灰度圖像的過(guò)程稱為彩色圖像灰度化。

• 在RGB模型中，位于空間位置（x，y）的像素點(diǎn)的顏色用該像素點(diǎn)的R分量、G分量、B分量表示。灰度圖像每個(gè)像素用一個(gè)灰度值（又稱強(qiáng)度值、亮度值）表示即可。

• 對(duì)RGB圖像進(jìn)行灰度化處理的常用方法有：最大值灰度化方法、平均值灰度化方法、加權(quán)平均灰度化方法。

• 最大值灰度化方法。將彩色圖像中像素的R分量、G分量和B分量3個(gè)數(shù)值的最大值作為灰度圖像的灰度值。

• 平均灰度化方法。對(duì)彩色圖像中像素的R分量、G分量和B分量3個(gè)數(shù)值求平均值作為灰度值。

• 加權(quán)平均灰度化方法。由于人眼對(duì)綠色的敏感度最高，對(duì)藍(lán)色的敏感度最低，因此可以根據(jù)重要性對(duì)三個(gè)分量進(jìn)行加權(quán)平均，得到較合理的灰度值。

from skimage import data import matplotlib.pyplot as plt import numpy as np# 載入RGB圖像 image=data.coffee() # 初始化灰度圖像 max_gray=np.zeros(image.shape[0:2],dtype='uint8') ave_gray=np.zeros(image.shape[0:2],dtype='uint8') weight_gray=np.zeros(image.shape[0:2],dtype='uint8') for ii in range(image.shape[0]):for jj in range(image.shape[1]):r,g,b=image[ii,jj,:]# 最大值灰度化方法max_gray[ii,jj]=max(r,g,b)# 平均值灰度化方法ave_gray[ii,jj]=(r/3+g/3+b/3)# 加權(quán)平均灰度化方法weight_gray[ii,jj]=0.30*r+0.59*g+0.11*b# 顯示結(jié)果 plt.subplot(2,2,1) plt.axis('off') plt.title('image') plt.imshow(image) # 顯示原始圖像plt.subplot(2,2,2) plt.axis('off') plt.title('image max_gray') plt.imshow(max_gray,cmap='gray') # 顯示最大值灰度化圖像plt.subplot(2,2,3) plt.axis('off') plt.title('image ave_gray') plt.imshow(ave_gray,cmap='gray') # 顯示平均值灰度化圖像plt.subplot(2,2,4) plt.axis('off') plt.title('image weight_gray') plt.imshow(weight_gray,cmap='gray') # 顯示加權(quán)平均灰度化圖像plt.tight_layout() plt.savefig('im.png')

2.5 小結(jié)

• 本章首先對(duì)彩色圖像進(jìn)行簡(jiǎn)要介紹，說(shuō)明了彩色圖像處理的重要意義。
• 講述了彩色圖像的顏色空間，RGB顏色空間和HSI顏色空間以及兩種顏色空間的轉(zhuǎn)換。
• 講述了偽彩色圖像處理，重點(diǎn)討論了強(qiáng)度分層技術(shù)和灰度值到彩色圖像變換技術(shù)。
• 基于彩色的圖像分割，主要討論了基于HSI和RGB的彩色分割。
• 講述了彩色圖像的灰度化，利用最大值灰度化方法、平均值灰度化方法、加權(quán)平均值灰度化方法對(duì)RGB圖像進(jìn)行灰度化處理。

參考資料

岳亞偉《數(shù)字圖像處理與Python實(shí)現(xiàn)》人民郵電出版社

總結(jié)

以上是生活随笔為你收集整理的数字图像处理与Python实现笔记之彩色图像处理初步的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。