RGB转HSI,python实现
RGB为图片最基本的特征,但很多时候RGB颜色空间并不能很好的作为图片聚类的聚簇依据,通常不符合人们对颜色相似性的主观判断。
HSI色彩空间是从人的视觉系统出发,用色调(Hue)、色饱和度(Saturation或Chroma)和亮度 (Intensity或Brightness)来描述色彩。HSI色彩空间可以用一个圆锥空间模型来描述。用这种 描述HIS色彩空间的圆锥模型相当复杂,但确能把色调、亮度和色饱和度的变化情形表现得很清楚。通常把色调和饱和度通称为色度,用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度,为了便于色彩处理和识别,人的视觉系统经常采用HSI色彩空间, 它比RGB色彩空间更符合人的视觉特性。在图像处理和计算机视觉中大量算法都可在HSI色彩空间中 方便地使用,它们可以分开处理而且是相互独立的。因此,在HSI色彩空间可以大大简化图像分析 和处理的工作量。HSI色彩空间和RGB色彩空间只是同一物理量的不同表示法,因而它们之间存在着 转换关系。
import cv2
import numpy as np
import scipy.misc
import os
def rgbtohsi(rgb_lwpImg):
rows = int(rgb_lwpImg.shape[0])
cols = int(rgb_lwpImg.shape[1])
b, g, r = cv2.split(rgb_lwpImg)
# 归一化到[0,1]
b = b / 255.0
g = g / 255.0
r = r / 255.0
hsi_lwpImg = rgb_lwpImg.copy()
H, S, I = cv2.split(hsi_lwpImg)
for i in range(rows):
for j in range(cols):
num = 0.5 * ((r[i, j] - g[i, j]) + (r[i, j] - b[i, j]))
den = np.sqrt((r[i, j] - g[i, j]) ** 2 + (r[i, j] - b[i, j]) * (g[i, j] - b[i, j]))
if den != 0:
theta = float(np.arccos(num / den))
if den == 0:
H = 0
elif b[i, j] <= g[i, j]:
H = theta
else:
H = 2 * 3.14169265 - theta
min_RGB = min(min(b[i, j], g[i, j]), r[i, j])
sum = b[i, j] + g[i, j] + r[i, j]
if sum == 0:
S = 0
else:
S = 1 - 3 * min_RGB / sum
H = H / (2 * 3.14159265)
I = sum / 3.0
# 输出HSI图像,扩充到255以方便显示,一般H分量在[0,2pi]之间,S和I在[0,1]之间
hsi_lwpImg[i, j, 0] = H * 255
hsi_lwpImg[i, j, 1] = S * 255
hsi_lwpImg[i, j, 2] = I * 255
return hsi_lwpImg
if __name__ == '__main__':
imgDir = "./"
imgFoldName = "RGBtoHSI"
imgs = os.listdir(imgDir + imgFoldName)
imgNum = len(imgs) # 图像的个数
for i in range(imgNum): # 遍历每张图片
# img = Image.open(imgDir + imgFoldName + "/" + imgs[i])
rgb_lwpImg = cv2.imread(imgDir + imgFoldName + "/" + imgs[i])
hsi_Img = rgbtohsi(rgb_lwpImg)
scipy.misc.imsave('hsi_Img'+str(i)+'.jpg', hsi_Img)
# 显示RGB图像及转换的HSI图像
# rgb_lwpImg = cv2.imread("v2_0140.jpg")
# hsi_Img = rgbtohsi(rgb_lwpImg)
# cv2.imshow('rgb_lwpImg', rgb_lwpImg)
# cv2.imshow('hsi_lwpImg', hsi_lwpImg)
# key = cv2.waitKey(0) & 0xFF
# if key == ord('q'):
# cv2.destroyAllWindows()
RGB转HSI对比: