基于KITTI数据集的无人驾驶感知与传感器融合实现—（3）—图像的颜色空间特征提取_kitti数据集rgb

学习前言

  没啥说的，这一章比较简单，哈哈哈，好好学习天天向上，这里是原作者项目链接： 连接.

一、RGB、HSV、HLS三种颜色域

  这里就简单的对RGB、HSV、HLS三种颜色域进行简单的介绍吧。
  RGB:
  三原色光模式（RGB color model），又称RGB颜色模型或红绿蓝颜色模型，是一种加色模型，将红（Red）、绿（Green）、蓝（Blue）三原色的色光以不同的比例相加，以合成产生各种色彩光。
  HSV:
  ==HSV(Hue, Saturation, Value)==是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。
  这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。

• 色调H

  用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,紫色为300°；

• 饱和度S

  饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

• 明度V

  明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。

  RGB和CMY颜色模型都是面向硬件的，而HSV（Hue Saturation Value）颜色模型是面向用户的。

  HLS:
  HLS 模式和 HSV 都是基于 RGB 的，是作为一个更方便友好的方法创建出来的。HSL 为 色相，饱和度，亮度，HSV 为色相，饱和度，明度。

二、代码实现&效果图

   由于代码比较简单，也没用到什么API，所以我就直接上代码了。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
import cv2

# 读入图片
image = mpimg.imread('test_image/test4.jpg')


# 将图片从RGB转换为HLS空间，并分别提取h,l,s通道
def hls_select(img, thresh=(170, 255),channel = 'h'):
    hls = cv2.cvtColor(img,cv2.COLOR_RGB2HLS)
    # 提取h,l,s通道
    if channel == 'h':
        channel = hls[:,:,0]
        #channel = channel.astype('uint8')/255
    elif channel == 'l':
        channel = hls[:,:,1]
        #channel = channel.astype('uint8')/255
    elif channel == 's':
        channel = hls[:,:,2]
        #channel = channel.astype('uint8')/255
    #返回二进制图像
    binary_output = np.zeros_like(channel)
    binary_output[(channel >= thresh[0]) & (channel <= thresh[1])] = 1  # 将像素值大于170的变为1
    return channel, binary_output

# 将图片从RGB转换为HSV空间，并分别提取h,s,v通道
def hsv_select(img, thresh=(170, 255),channel = 'h'):
    hsv = cv2.cvtColor(img,cv2.COLOR_RGB2HSV)
    # 提取h,s,v通道
    if channel == 'h':
        channel = hsv[:,:,0]
        #channel = channel.astype('uint8')/255
    elif channel == 's':
        channel = hsv[:,:,1]
        #channel = channel.astype('uint8')/255
    elif channel == 'v':
        channel = hsv[:,:,2]
        #channel = channel.astype('uint8')/255
    #返回二进制图像
    binary_output = np.zeros_like(channel)
    binary_output[(channel >= thresh[0]) & (channel <= thresh[1])] = 1  # 将像素值大于170的变为1
    return channel, binary_output


h_channel, h_binary = hls_select(image, thresh=(170, 255),channel = 'h')
l_channel, l_binary = hls_select(image, thresh=(170, 255),channel = 'l')
s_channel, s_binary = hls_select(image, thresh=(170, 255),channel = 's')
h_channel_hsv, h_binary_hsv = hsv_select(image, thresh=(170, 255),channel = 'h')
s_channel_hsv, s_binary_hsv = hsv_select(image, thresh=(170, 255),channel = 's')
v_channel_hsv, v_binary_hsv = hsv_select(image, thresh=(170, 255),channel = 'v')

# 可视化结果
f, (ax1, ax2, ax3, ax4, ax5, ax6) = plt.subplots(6, 3, figsize=(30, 20))
f.tight_layout()

ax1[0].imshow(image)
ax1[0].set_title('Original Image', fontsize=15)
ax1[1].imshow(h_channel)
ax1[1].set_title('h_channel', fontsize=15)
ax1[2].imshow(h_binary, cmap='gray')
ax1[2].set_title('HLS Thresholded h', fontsize=15)

ax2[0].imshow(image)
ax2[0].set_title('Original Image', fontsize=15)
ax2[1].imshow(l_channel)
ax2[1].set_title('l_channel', fontsize=15)
ax2[2].imshow(l_binary, cmap='gray')
ax2[2].set_title('HLS Thresholded l', fontsize=15)

ax3[0].imshow(image)
ax3[0].set_title('Original Image', fontsize=15)
ax3[1].imshow(s_channel)
ax3[1].set_title('s_channel', fontsize=15)
ax3[2].imshow(s_binary, cmap='gray')
ax3[2].set_title('HLS Thresholded s', fontsize=15)

ax4[0].imshow(image)
ax4[0].set_title('Original Image', fontsize=15)
ax4[1].imshow(h_channel_hsv)
ax4[1].set_title('h_channel_hsv', fontsize=15)
ax4[2].imshow(h_binary_hsv, cmap='gray')
ax4[2].set_title('HLS Thresholded h', fontsize=15)

ax5[0].imshow(image)
ax5[0].set_title('Original Image', fontsize=15)
ax5[1].imshow(s_channel_hsv)
ax5[1].set_title('s_channel_hsv', fontsize=15)
ax5[2].imshow(s_binary_hsv, cmap='gray')
ax5[2].set_title('HLS Thresholded s', fontsize=15)

ax6[0].imshow(image)
ax6[0].set_title('Original Image', fontsize=15)
ax6[1].imshow(v_channel_hsv)
ax6[1].set_title('v_channel_hsv', fontsize=15)
ax6[2].imshow(v_binary_hsv, cmap='gray')
ax6[2].set_title('HLS Thresholded v', fontsize=15)

plt.subplots_adjust(left=0., right=0.6, top=1., bottom=0., wspace=0., hspace=0.5)
plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103

三 、结论

  相比而言, s通道对车道线和车辆目标的检测效果要由于其它通道, 由此可以在梯度空间中使用s通道图片进行边缘检测。