网站开发工具的是什么,浙江网站建设制作,粮油移动端网页设计素材,网站开发 经济可行性第6章主要讲的是彩色图像处理#xff0c;一些彩色模型如RGB#xff0c;CMK#xff0c;CMYK#xff0c;HSI等色彩模型#xff1b;彩色模型的变换关系#xff1b;还包含由灰度图像怎样处理成假彩色图像#xff1b;使用彩色分割图像等。本章比较少理论还有变换的描述#…第6章主要讲的是彩色图像处理一些彩色模型如RGBCMKCMYKHSI等色彩模型彩色模型的变换关系还包含由灰度图像怎样处理成假彩色图像使用彩色分割图像等。本章比较少理论还有变换的描述主要以代码为主如有需要请自行查看书本。 这里写目录标题假彩色图像处理灰度分层灰度分割和彩色编码灰度值到彩色变换Gray - RGB假彩色图像处理
灰度分层灰度分割和彩色编码
def gray_slice(img_gray):img_ori img_gray / 255.rows,cols img_ori.shape[:2]labels np.zeros([rows,cols])for i in range(rows):for j in range(cols):if(img_ori[i,j] 0.125):labels[i,j] 0elif(img_ori[i,j] 0.25):labels[i,j] 0.2elif(img_ori[i,j] 0.375):labels[i,j] 0.4elif(img_ori[i,j] 0.5):labels[i,j] 0.5elif(img_ori[i,j] 0.625):labels[i,j] 0.6elif(img_ori[i,j] 0.75):labels[i,j] 0.8elif(img_ori[i,j] 0.875):labels[i,j] 0.9else:labels[i,j] 1return labels# Gray to RGB
from skimage import io, exposure, colorimg_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0620(a)(picker_phantom).tif, 0)labels gray_slice(img_ori)
labels np.uint8(labels * 255)
img_rgb color.label2rgb(labels)plt.figure(figsize(20, 5))
plt.subplot(141), plt.imshow(img_ori, gray), plt.title(Original)plt.subplot(142), plt.imshow(img_rgb, ), plt.title(Pseudo RGB)
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title(CMYK)
# plt.subplot(144), plt.imshow(img_r, ), plt.title(Red Channel)plt.tight_layout()
plt.show()# Gray to RGB
from skimage import io, exposure, color
def gray_slice(img_gray):rows,cols img_gray.shape[:2]labels np.zeros([rows,cols], np.uint8)for i in range(rows):for j in range(cols):if(img_gray[i,j] 250):labels[i,j] 125else:labels[i,j] 100return labelsimg_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0621(a)(weld-original).tif, 0)labels gray_slice(img_ori)
img_rgb color.label2rgb(labels)plt.figure(figsize(20, 5))
plt.subplot(141), plt.imshow(img_ori, gray), plt.title(Original)plt.subplot(142), plt.imshow(img_rgb, ), plt.title(Pseudo RGB)
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title(CMYK)
# plt.subplot(144), plt.imshow(img_r, ), plt.title(Red Channel)plt.tight_layout()
plt.show()# Gray to RGB
from skimage import io, exposure, color
def gray_slice(img_gray):rows,cols img_gray.shape[:2]labels np.zeros([rows,cols], np.uint8)for i in range(rows):for j in range(cols):if(img_gray[i,j] 31):labels[i,j] 0elif(img_gray[i,j] 63):labels[i, j] 10elif(img_gray[i,j] 95):labels[i, j] 20elif(img_gray[i,j] 127):labels[i, j] 30elif(img_gray[i,j] 159):labels[i, j] 40elif(img_gray[i,j] 191):labels[i, j] 255elif(img_gray[i,j] 223):labels[i, j] 255else:labels[i,j] 255return labelsimg_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0622(a)(tropical_rain_grayscale.tif, 0)labels gray_slice(img_ori)
img_rgb color.label2rgb(labels)hist, bins, patches plt.hist(img_ori.flatten(), bins256)
plt.figure(figsize(15, 10))
plt.subplot(211), plt.imshow(img_ori, gray), plt.title(Original)
plt.subplot(212), plt.imshow(img_rgb, ), plt.title(Pseudo RGB)
plt.tight_layout()
plt.show()灰度值到彩色变换
# Gray to RGB
from skimage import io, exposure, colorimg_r cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(a)(WashingtonDC Band3-RED).TIF, 0)
img_g cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(b)(WashingtonDC Band2-GREEN).TIF, 0)
img_b cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(c)(1)(WashingtonDC Band1-BLUE).TIF, 0)
img_ir cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0627(d)(WashingtonDC Band4).TIF, 0)# IR G B
img_irgb np.dstack([img_ir, img_g, img_b])# R IR B
img_RIRB np.dstack([img_r, img_ir, img_b])plt.figure(figsize(15, 10))
plt.subplot(231), plt.imshow(img_r, gray), plt.title(Red Band)
plt.subplot(232), plt.imshow(img_g, gray), plt.title(Green Band)
plt.subplot(233), plt.imshow(img_b, gray), plt.title(Blue Band)
plt.subplot(234), plt.imshow(img_ir, gray), plt.title(IR Band)
plt.subplot(235), plt.imshow(img_irgb), plt.title(IR G B )
plt.subplot(236), plt.imshow(img_RIRB), plt.title(R IR B)
plt.tight_layout()
plt.show()# RGB
img_rgb np.dstack([img_r, img_g, img_b])
plt.figure(figsize(5, 5))
plt.imshow(img_rgb), plt.title(RGB)
plt.tight_layout()
plt.show()# import numpy as np
# from skimage import io,exposure,color
# import matplotlib.pyplot as plt
# import math
# import sys# 灰度值到彩色变换
# 定义灰度值到彩色变换
L 255
def GetR(gray):if gray L/2:return 0elif gray L/4*3:return Lelse:return 4*gray-2*L
def GetG(gray):if gray L/4:return 4*grayelif gray L/4*3:return 4*L-4*grayelse:return L
def GetB(gray):if gray L/4:return Lelif gray L/2:return 0else:return 2*L-4*graydef gray2rgb(img_gray):height, width img_gray.shape[:2]dst np.zeros((height, width, 3), dtype uint8)for h in range(height):for w in range(width):r,g,b GetR(img_gray[h,w]),GetG(img_gray[h,w]),GetB(img_gray[h,w])dst[h, w, :] (r,g,b)return dst# Gray to RGB
from skimage import io, exposure, colorimg_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0620(a)(picker_phantom).tif, 0)img_rgb gray2rgb(img_ori)plt.figure(figsize(20, 5))
plt.subplot(141), plt.imshow(img_ori, gray), plt.title(Original)plt.subplot(142), plt.imshow(img_rgb, ), plt.title(Pseudo RGB)
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title(CMYK)
# plt.subplot(144), plt.imshow(img_r, ), plt.title(Red Channel)plt.tight_layout()
plt.show()# Gray to RGB
from skimage import io, exposure, colorimg_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0622(a)(tropical_rain_grayscale.tif, 0)img_rgb gray2rgb(img_ori)plt.figure(figsize(20, 10))
plt.subplot(141), plt.imshow(img_ori, gray), plt.title(Original)plt.subplot(142), plt.imshow(img_rgb, ), plt.title(Pseudo RGB)
# plt.subplot(143), plt.imshow(img_cmyk, ), plt.title(CMYK)
# plt.subplot(144), plt.imshow(img_r, ), plt.title(Red Channel)plt.tight_layout()
plt.show()Gray - RGB
严格来说这不是由于Gray转RGB因为利用原来的GB通道
我们要将RGB表示转换为gGB表示也就是用灰度分量g取代蓝色分量R蓝色分量B和绿色分量G不变。我们可以从gGB计算出红色分量R因为灰度gpRqGtB其中p0.2989,q0.5870,t0.1140于是R(g-qG-t*B)/p。于是我们只要保留B和G两个颜色分量再加上灰度图g就可以回复原来的RGB图像。同样我们这里的g是可以随便取代红绿蓝三种分量中的任一分量的。下面进行演示。
# Gray to RGB
img_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH06/Fig0646(a)(lenna_original_RGB).tif)src img_ori.copy()
# src_gray bgr2gray(img_ori)
src_gray cv2.cvtColor(img_ori, cv2.COLOR_BGR2GRAY)B src[:,:,0]
G src[:,:,1]
R src[:,:,2]# 灰度gp*Rq*Gt*B其中p0.2989,q0.5870,t0.1140于是B(g-p*R-q*G)/t。于是我们只要保留R和G两个颜色分量再加上灰度图g就可以回复原来的RGB图像。
g src_gray[:]
p 0.2989; q 0.5870; t 0.1140
B_new (g - p * R - q * G) /t
B_new np.uint8(normalize(B_new) * 255) # 这种方式会有点偏蓝
# B_new np.uint8(B_new / 255) # 这种方式会偏绿
src_new np.zeros((src.shape)).astype(uint8)
src_new[:,:,0] B_new
src_new[:,:,1] G
src_new[:,:,2] Rplt.figure(figsize(20, 5))
plt.subplot(141), plt.imshow(img_ori[:, :, ::-1]), plt.title(Original)
plt.subplot(142), plt.imshow(src_gray, ), plt.title(GrayScale)
plt.subplot(143), plt.imshow(src_new[..., ::-1], ), plt.title(Gray To RGB)
# plt.subplot(144), plt.imshow(img_r, ), plt.title(Red Channel)plt.tight_layout()
plt.show()
