import cv2
from google.colab.patches import cv2_imshow

image = cv2.imread(image_file)
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
cv2_imshow(hsv_image)

下圖為RGB和HSV

b. LAB

L：描述顏色的亮度，與強度互換使用
A : 顏色成分范圍，從綠色到品紅色
B：從藍(lán)色到黃色的顏色分量

import cv2
from google.colab.patches import cv2_imshow

image = cv2.imread(image_file)
lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
cv2_imshow(lab_image)

下圖為RGB和LAB顏色空間可視化

b. YCrCb

Y : 伽馬校正后從 RGB 顏色空間獲得的亮度
Cr：描述紅色 ® 分量與亮度的距離
Cb：描述藍(lán)色 (B) 分量與亮度的距離

import cv2
from google.colab.patches import cv2_imshow

image = cv2.imread(image_file)
ycrcb_image = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
cv2_imshow(ycrcb_image)

下圖為RGB 與 YCrCb 顏色空間

一旦我們已經(jīng)識別或探索了足夠多的圖像色彩空間，并確定我們只對單個通道感興趣，我們就可以使用*cv2.inRange()*來屏蔽不需要的像素。這在 HSV 顏色空間中尤其實用。

import cv2
from google.colab.patches import cv2_imshow

# Reading the original image
image_spot = cv2.imread(image_file)
cv2_imshow(image_spot)

# Converting it to HSV color space
hsv_image_spot = cv2.cvtColor(image_spot, cv2.COLOR_BGR2HSV)
cv2_imshow(hsv_image_spot)

# Setting the black pixel mask and perform bitwise_and to get only the black pixels
mask = cv2.inRange(hsv_image_spot, (0, 0, 0), (180, 255, 40))
masked = cv2.bitwise_and(hsv_image_spot, hsv_image_spot, mask=mask)
cv2_imshow(masked)

RGB vs HSV vs Masked 圖像使用 cv2.inRange() 檢索黑點

2. 形狀

一旦我們充分探索了顏色特征，我們可能會在某個時候想要提取圖像中的形狀。例如，我們?nèi)蝿?wù)是找到不同類型的杯子，而顏色不是特別重要。同樣，需要做的就是將圖像轉(zhuǎn)換為其他顏色空間，看看是否有任何顏色空間會使對象的邊緣或形狀更加突出，然后我們就可以使用cv2.finContours來檢索圖像中的所有輪廓。具體使用方式可以查看OpenCV文檔