本笔记重点记录OpenCV中的颜色转换和利用色彩空间的特性进行皮肤检测
颜色转换
实现原理
之所以要引入色调/饱和度/亮度的色彩空间概念，是因为人们喜欢凭直觉分辨各种颜色，而它与这种方式吻合。实际上，人类更喜欢用色彩、彩度、亮度等直观的属性来描述颜色，而大多 数直觉色彩空间正是基于这三个属性。
- 色调（hue）表示主色，我们使用的颜色名称（例如绿色、 黄色和红色）就对应了不同的色调值；
- 饱和度（saturation）表示颜色的鲜艳程度，柔和的颜色饱 和度较低，而彩虹的颜色饱和度就很高
- 亮度（brightness）是一个主观的属性，表示某种 颜色的光亮程度。
其他直觉色彩空间使用颜色明度（value）或颜色亮度（lightness）的概念描述 有关颜色的强度。
利用这些颜色概念，能尽可能地模拟人类对颜色的直观感知。因此，它们没有标准的定义。 根据文献资料，色调、饱和度和亮度都有多种不同的定义和计算公式。OpenCV 建议的两种直觉 色彩空间的实现是 HSV 和 HLS 色彩空间，它们的转换公式略有不同，但是结果非常相似。
亮度成分可能是最容易解释的。在 OpenCV 对 HSV 的实现中，它被定义为三个 BGR 成分中 的最大值，以非常简化的方式实现了亮度的概念。为了让定义更符合人类视觉系统，应该使用均 匀感知的色彩空间 Lab和 Luv的 L 通道。举个例子，L 通道已经考虑到了，在强度相同的 情况下，人们会觉得绿色比蓝色等颜色的亮度更高。
OpenCV 用一个公式来计算饱和度，该公式基于 BGR 组件的最小值和最大值：
其原理是：灰度颜色包含的 R、G、B 的成分是相等的，相当于一种极不饱和的颜色，因此 它的饱和度是 0（饱和度是一个 0~1.0 的值）。对于 8 位图像，饱和度被调节成一个 0~255 的值， 并且作为灰度图像显示的时候，较亮区域对应的颜色具有较高的饱和度。
利用opencv把RGB图片像HSV颜色空间转变（CV_BGR2HSV）的时候，
H通道的值范围为： 0-180
S： 0-255
V：0-255
实现代码
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include <vector>
int main()
{
// 读入图像
cv::Mat image= cv::imread("boldt.jpg");
if (!image.data)
return 0;
// 原始图像
cv::namedWindow("Original image");
cv::imshow("Original image",image);
// 转换成HSV色彩空间
cv::Mat hsv;
cv::cvtColor(image, hsv, CV_BGR2HSV);
// 把三个通道分割进三幅图像中
std::vector<cv::Mat> channels;
cv::split(hsv,channels);
// channels[0] 色调
// channels[1] 饱和度
// channels[2] 亮度
// 亮度
cv::namedWindow("Value");
cv::imshow("Value",channels[2]);
// display 饱和度
cv::namedWindow("Saturation");
cv::imshow("Saturation",channels[1]);
// display 色调
cv::namedWindow("Hue");
cv::imshow("Hue",channels[0]);
cv::waitKey();
}
实现效果
皮肤检测
8 位版本的色调在 0~180，饱和度在 0~255
实现原理
在对特定物体做初步检测时，颜色信息非常有用。例如辅助驾驶程序中的路标检测功能，就要凭借标准路标的颜色快速识别可能是路标的信息。另一个例子是肤色检测，检测到的皮肤区域 可作为图像中有人存在的标志。手势识别就经常使用肤色检测确定手的位置。
肤色检测领域的大量研究已经表明，来自不同人种的人群的皮肤颜色，可以在色调、饱和度、色彩空间中很好地归类。
实现代码
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include <vector>
void detectHScolor(const cv::Mat& image, // input image
double minHue, double maxHue, // Hue interval
double minSat, double maxSat, // saturation interval
cv::Mat& mask) { // output mask
// convert into HSV space
cv::Mat hsv;
cv::cvtColor(image, hsv, CV_BGR2HSV);
// split the 3 channels into 3 images
std::vector<cv::Mat> channels;
cv::split(hsv, channels);
// channels[0] is the Hue
// channels[1] is the Saturation
// channels[2] is the Value
// Hue masking
cv::Mat mask1; // below maxHue
cv::threshold(channels[0], mask1, maxHue, 255, cv::THRESH_BINARY_INV);
cv::Mat mask2; // over minHue
cv::threshold(channels[0], mask2, minHue, 255, cv::THRESH_BINARY);
cv::Mat hueMask; // hue mask
if (minHue < maxHue)
hueMask = mask1 & mask2;
else // if interval crosses the zero-degree axis
hueMask = mask1 | mask2;
// Saturation masking
// below maxSat
cv::threshold(channels[1], mask1, maxSat, 255, cv::THRESH_BINARY_INV);
// over minSat
cv::threshold(channels[1], mask2, minSat, 255, cv::THRESH_BINARY);
cv::Mat satMask; // saturation mask
satMask = mask1 & mask2;
// combined mask
mask = hueMask&satMask;
}
int main()
{
// 读入图像
cv::Mat image= cv::imread("girl.jpg");
if (!image.data)
return 0;
// show original image
cv::namedWindow("Original image");
cv::imshow("Original image",image);
// detect skin tone
cv::Mat mask;
detectHScolor(image,
160, 10, // hue from 320 degrees to 20 degrees
25, 166, // saturation from ~0.1 to 0.65
mask);
// show masked image
cv::Mat detected(image.size(), CV_8UC3, cv::Scalar(0, 0, 0));
image.copyTo(detected, mask);
cv::imshow("Detection result",detected);
cv::waitKey();
}
实现效果
可改进的地方
在检测时没有考虑颜色的亮度。在实际应用中，排除较高亮度的颜色可以降低把明亮的淡红色误认为皮肤的可能性。所以要想对皮肤颜色进行可靠和准确的检测， 还需要更加精确的分析。对不同的图像进行检测，也很难保证效果都好，因为摄影时影响彩色再 现的因素有很多，如白平衡和光照条件等。