OpenCV: 颜色变换及空间变换
目标1
在本教程中，将学习如何将图像从一个色彩空间转换到另一个，像BGR↔灰色，BGR↔HSV等
除此之外，将创建一个应用程序，以提取视频中的彩色对象
改变颜色空间
OpenCV中有超过270种颜色空间转换方法。但是我们研究两个最广泛使用的, BGR↔灰色和BGR↔HSV。
对于颜色转换，使用CV2.cvtColor(input_image, flag)，其中flag决定转换的类型。
import CV2
flag = [i for i in dir(CV2) if i.startswith('COLOR_')]
print(flag)
大概274种。
注意 HSV的色相范围为[0,179]，饱和度范围为[0,255]，透明度值范围为[0,255]。不同的软件使用不同
的规模。因此，如果要将OpenCV值和它们比较，需要将这些范围标准化。
img = CV2.imread('messi.png')
img_hsv = CV2.cvtColor(img, CV2.COLOR_BGR2HSV)
CV2.imshow('hsv', img_hsv)
CV2.waitKey(0)
CV2.destroyAllWindows()
对象追踪
现在知道了如何将BGR图像转换成HSV，可以使用它来提取一个有颜色的对象。在HSV中比在BGR颜色空间中更容易表示颜色。在应用程序中，将尝试提取一个蓝色的对象的一个简单例子。方法如下: 取视频的每一帧 - 转换从BGR到HSV颜色空间 - 对HSV图像设置蓝色范围的阈值 - 现在单独提取蓝色对象，可以对图像做任何想做的事情。
import CV2
import numpy as np
cap = cv.VideoCapture(0)
while(1):
# 读取帧
_, frame = cap.read()
# 转换颜色空间 BGR 到 HSV
hsv = CV2.cvtColor(frame, CV2.COLOR_BGR2HSV)
# 定义HSV中蓝色的范围
lower_blue = np.array([110,50,50])
upper_blue = np.array([130,255,255])
# 设置HSV的阈值使得只取蓝色
mask = CV2.inRange(hsv, lower_blue, upper_blue)
# 将掩膜和图像逐像素相加
res = CV2.bitwise_and(frame,frame, mask= mask)
CV2.imshow('frame',frame)
CV2.imshow('mask',mask)
CV2.imshow('res',res)
k = CV2.waitKey(5) & 0xFF
if k == 27:
break
CV2.destroyAllWindows()
注意 图像中有一些噪点。将在后面的章节中看到如何删除它们。 这是对象跟踪中最简单的方法。一旦学习了轮廓，就可以做很多事情，例如找到该对象的质心并使用它来跟踪对象，仅通过将手移到相机前面以及其他许多有趣的东西就可以绘制图表。
如何找到要追踪的HSV值
这是在stackoverflow.com上发现的一个常见问题。它非常简单，你可以使用相同的函数
CV2.cvtColor()。只需传递你想要的BGR值，而不是传递图像。例如，要查找绿色的HSV值，
请在Python终端中尝试以下命令:
green = np.uint8([[[0,255,0]]])
hsv_green = CV2.cvtColor(green, CV2.COLOR_BGR2HSV)
print(hsv_green)
# [[[ 60 255 255]]]
现在把 [10,100,100] 和 [10,255, 255] 分别作为下界和上界。除了这个方法之外，可以使用任何图像编辑工具(如GIMP或任何在线转换器)来查找这些值，但是不要忘记调整HSV范围。
目标2
学习将不同的几何变换应用到图像上，如平移、旋转、仿射变换等。
函数:
cv.getPerspectiveTransform
变换
OpenCV提供了两个转换函数CV2.warpAffine和CV2.warpPerspective，可以使用它们进行各种转换。CV2.warpAffine采用2x3转换矩阵，而CV2.warpPerspective采用3x3转换矩阵作为输入。
缩放
缩放只是调整图像的大小。为此，OpenCV带有一个函数CV2.resize()。图像的大小可以手动指定，也可以指定缩放比例。也可使用不同的插值方法。首选的插值方法是CV2.INTER_AREA用于缩小，CV2.INTER_CUBIC（慢）和CV2.INTER_LINEAR用于缩放。默认情况下，出使用的插值方法为CV2.INTER_LINEAR。可以使用以下方法调整输入图像的大小：
import CV2
import numpy as np
img = CV2.imread('messi.png')
res = CV2.resize(img, None, fx=2, fy=2, interpolation=cv.INTER_CUBIC)
#或者
height, width = img.shape[:2]
res = CV2.resize(img,(2*width, 2*height), interpolation=CV2.INTER_CUBIC)
平移
平移是物体位置的移动。如果知道在(x,y)方向上的位移，则将其设为(t_x, t_y )，可以创建转换矩阵M ，如下所示：
可以将其放入np.float32类型的Numpy数组中，并将其传递给CV2.warpAffine函数。参见下面偏移为(100, 50)的示例：
import CV2
import numpy as np
img = CV2.imread('messi.png', 0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]]) # 方向
dst = cv.warpAffine(img,M,(cols,rows))
cv.imshow('img',dst)
cv.waitKey(0)
cv.destroyAllWindows()
警告
CV2.warpAffine函数的第三个参数是输出图像的大小，其形式应为(width，height)。记住width =列数，height =行数。
旋转
图像旋转角度为θ是通过以下形式的变换矩阵实现的：
但是OpenCV提供了可缩放的旋转以及可调整的旋转中心，因此可以在自己喜欢的任何位置旋转。修改后的变换矩阵为
其中：
为了找到此转换矩阵，OpenCV提供了一个函数CV2.getRotationMatrix2D。请检查以下示例，该示例将图像相对于中心旋转90度而没有任何缩放比例。
img = CV2.imread('messi.png', 0)
rows,cols = img.shape
M = CV2.getRotationMatrix2D(((cols-1)/2.0, (rows-1)/2.0), 90,1) # cols-1 和 rows-1 是坐标限制
dst = CV2.warpAffine(img, M, (cols,rows))
仿射变换
在仿射变换中，原始图像中的所有平行线在输出图像中仍将平行。为了找到变换矩阵，需要输入图像中的三个点及其在输出图像中的对应位置。然后CV2.getAffineTransform将创建一个2x3矩阵，该矩阵将传递给CV2.warpAffine。
查看以下示例，并查看选择的点（以绿色标记）：
img = CV2.imread('draw.png')
rows,cols,c = img.shape
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
M = CV2.getAffineTransform(pts1, pts2)
dst = CV2.warpAffine(img,M,(cols,rows))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
查看结果：
透视变换
对于透视变换，需要3x3变换矩阵。即使在转换后，直线也将保持直线。要找到此变换矩阵，需要在输入图像上有4个点，在输出图像上需要相应的点。在这四个点中，其中三个不应共线。然后可以通过函数CV2.getPerspectiveTransform找到变换矩阵。然后将CV2.warpPerspective应用于此3x3转换矩阵。
img = CV2.imread('sudo.png')
rows, cols, ch = img.shape
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M = CV2.getPerspectiveTransform(pts1, pts2)
dst = CV2.warpPerspective(img, M, (300,300))
plt.subplot(121),plt.imshow(img), plt.title('Input')
plt.subplot(122),plt.imshow(dst), plt.title('Output')
plt.show()
其他资源
Computer Vision: Algorithms and Applications, Richard Szeliski
