基于OpenCV实战的图像处理：色度分割
重磅干货，第一时间送达
通过HSV色阶使用彩色图像可以分割来分割图像中的对象，但这并不是分割图像的唯一方法。为什么大多数人偏爱色度而不是RGB / HSV分割？
可以获得RGB / HSV通道之间的比率。
可以使用由辅助颜色和其他颜色的混合物组成的目标色块。
我们将色度分割定义为利用RG通道的色度空间从图像中提取目标的过程。后者构成了一个二维颜色表示，它忽略了与强度值相关的图像信息。我们通过观察不同颜色通道的比例来实现这一点，并使用标准化的RGB空间来映射它。因此，为了计算图像的RG色度，我们使用以下方程式：
我们主要只看r和g方程，因为从那里我们可以直观地计算b通道,让我们使用我们的老朋友Python将色度分割付诸实践。在继续执行之前，请安装以下库：
from skimage.io import imread, imshowimport matplotlib.pyplot as pltimport numpy as np本文实践操作将使用此图像：
图像处理步骤：
步骤1：计算图像的RG色度
这是通过使用引言中定义的方程式完成的。
步骤2：计算颜色值的2D直方图（原始图像）
这是通过使R和色度值均变平并将其输入hist2d函数中来实现的。
通过这一点，可以注意到什么颜色或一组颜色构成了我们的图像。
步骤3：选择参考图片补丁
从感兴趣的对象生成补丁。在这种情况下，我们将草莓细分。因此，将要选择的补丁将是草莓的补丁。
步骤4：计算补丁的RG色度
重复步骤1，但在步骤3中使用图像补丁
步骤5：计算颜色值的2D直方图（色标）
重复步骤2，但在步骤3中使用图像
到目前为止，我们已经获得了相关图像的RG色度值。现在，我们进行下一步-参数分割。
第6步：参数细分
此步骤要求我们拟合高斯分布，该分布将确定属于感兴趣颜色的像素。在执行此操作之前，应从感兴趣的对象（参考补丁）计算平均值和标准偏差。然后将这些反馈给高斯分布函数。
步骤1-6的代码实现如下实现：
#image chromaticity values fruits_R = fruits[:,:,0]*1.0/fruits.sum(axis=2) fruits_G = fruits[:,:,1]*1.0/fruits.sum(axis=2) #patch patch_strw = fruits[60:90,50:90,:] #patch chromaticity values patch_R = patch_strw[:,:,0]*1.0/patch_strw.sum(axis=2) patch_G = patch_strw[:,:,1]*1.0/patch_strw.sum(axis=2) #mean and stdev calculation of patch std_patch_R = np.std(patch_R.flatten()) mean_patch_R = np.mean(patch_R.flatten()) std_patch_G = np.std(patch_G.flatten()) mean_patch_G = np.mean(patch_G.flatten()) #gaussian function def gaussian(p,mean,std): return np.exp(-(p-mean)**2/(2*std**2))*(1/(std*((2*np.pi)**0.5))) x = np.linspace(0,1) y = gaussian(x,mean_patch_R,std_patch_R) #plotting fig, ax = plt.subplots(2, 3, figsize=(20, 7)) ax[0,0].scatter(fruits_R.flatten(),fruits_G.flatten()) ax[0,0].set_title('RG Chromaticity', size=14) ax[0,1].hist2d(fruits_R.flatten(), fruits_G.flatten(), bins=100,cmap='binary'); ax[0,1].set_title('Color Values 2D Histogram', size=14) ax[0,2].imshow(patch_strw) ax[0,2].set_title('Strawberry Patch', size=14) ax[1,0].scatter(patch_R.flatten(),patch_G.flatten()) ax[1,0].set_title('Patch RG Chromaticity', size=14) ax[1,1].hist2d(patch_R.flatten(), patch_G.flatten(), bins=100,cmap='binary') ax[1,1].set_title('Patch Color Values 2D Histogram', size=14) ax[1,2].plot(x,y) ax[1,2].set_title('Gaussian Plot', size=14) fig.suptitle('Strawberry', size = 30)综上所述，类似于彩色图像分割方法，存在一个任意确定的阈值。尝试并尝试使用这些值，然后选择将返回最理想输出的值。同样，在最终图中，尽管草莓被清楚地分割了，但仍然捕获了无关的信息。这是进行形态学操作以方便进一步清洁图像的地方，因此分割与以往一样准确。
— — 完 — —