162 lines
7.5 KiB
C++
162 lines
7.5 KiB
C++
/*
|
||
* ============================================================
|
||
* 实验 2：颜色空间转换（BGR → Gray、HSV、Lab、YCrCb）
|
||
* 知识点：cv::cvtColor
|
||
* ============================================================
|
||
*
|
||
* 【实验目标】
|
||
* 1. 理解"颜色空间"的概念 —— 同一张图片的不同"坐标系"描述
|
||
* 2. 掌握 cv::cvtColor 函数的使用方法
|
||
* 3. 了解 Gray、HSV、Lab、YCrCb 各自的特点和用途
|
||
*
|
||
* 【生活化比喻】
|
||
* "颜色空间"就像是描述一个人位置的不同方式：
|
||
* - BGR 像"经纬度坐标"（给出精确的三维数值）
|
||
* - Gray 像"海拔高度"（一维数值，只有亮度）
|
||
* - HSV 像"方向+距离+高度"（色相、饱和度、明度）
|
||
* 色相(H) ：是什么颜色（红/黄/绿/蓝...），像钟表上的角度
|
||
* 饱和度(S)：颜色有多"纯"（鲜艳还是发灰），像果汁的浓度
|
||
* 明度(V) ：颜色有多亮（亮还是暗），像灯光的亮度
|
||
* - 不同场景用不同描述方式更方便！
|
||
*
|
||
* RoboMaster 任务中，HSV 是最常用的颜色空间
|
||
* 因为它把"颜色"和"亮度"分开了，不受光照变化的影响
|
||
*/
|
||
|
||
#include <opencv2/opencv.hpp>
|
||
#include <iostream>
|
||
#include <vector> // std::vector —— 动态数组，用于生成渐变色块
|
||
|
||
int main()
|
||
{
|
||
// ==========================================
|
||
// 第一部分：生成一张色彩丰富的测试图片
|
||
// ==========================================
|
||
std::cout << "[步骤 1] 正在生成彩色测试图片..." << std::endl;
|
||
|
||
// 创建一个 300×600 的彩色画布，背景为黑色
|
||
cv::Mat color_image(300, 600, CV_8UC3, cv::Scalar(0, 0, 0));
|
||
|
||
// 画出 6 个彩色矩形，代表不同颜色
|
||
// 颜色顺序：红、绿、蓝、黄、青、品红
|
||
// 每个矩形宽 100 像素，高 300 像素
|
||
std::vector<cv::Scalar> colors = {
|
||
cv::Scalar(0, 0, 255), // 红色 (B=0, G=0, R=255)
|
||
cv::Scalar(0, 255, 0), // 绿色 (B=0, G=255, R=0)
|
||
cv::Scalar(255, 0, 0), // 蓝色 (B=255, G=0, R=0)
|
||
cv::Scalar(0, 255, 255), // 黄色 (B=0, G=255, R=255)
|
||
cv::Scalar(255, 255, 0), // 青色 (B=255, G=255, R=0)
|
||
cv::Scalar(255, 0, 255) // 品红色 (B=255, G=0, R=255)
|
||
};
|
||
|
||
// 用循环依次画出每个色块
|
||
for (int i = 0; i < 6; i++)
|
||
{
|
||
// 每个矩形宽 100 像素，所以左上角 x = i * 100
|
||
int x_start = i * 100;
|
||
cv::rectangle(color_image,
|
||
cv::Point(x_start, 0), // 左上角
|
||
cv::Point(x_start + 100, 300), // 右下角
|
||
colors[i], // 填充颜色
|
||
-1); // -1 = 填充
|
||
}
|
||
|
||
// 在每个色块上写颜色名称
|
||
std::vector<std::string> color_names = {"Red", "Green", "Blue", "Yellow", "Cyan", "Magenta"};
|
||
for (int i = 0; i < 6; i++)
|
||
{
|
||
cv::putText(color_image, color_names[i],
|
||
cv::Point(i * 100 + 10, 150),
|
||
cv::FONT_HERSHEY_SIMPLEX, 0.6,
|
||
cv::Scalar(255, 255, 255), // 白色文字
|
||
2);
|
||
}
|
||
|
||
// 保存原始彩色图
|
||
cv::imwrite("original.jpg", color_image);
|
||
std::cout << " -> 原始彩色图已保存为 original.jpg" << std::endl;
|
||
|
||
// ==========================================
|
||
// 第二部分：执行各种颜色空间转换
|
||
// ==========================================
|
||
|
||
// --- 转换 1：BGR → 灰度 (Gray) ---
|
||
// 灰度图像只有一个通道，每个像素的取值范围是 0~255
|
||
// 转换公式（心理学灰度）：
|
||
// Gray = 0.299 × R + 0.587 × G + 0.114 × B
|
||
// 人眼对绿色最敏感（权重 0.587），对蓝色最不敏感（权重 0.114）
|
||
std::cout << "[步骤 2] BGR -> Gray（灰度）..." << std::endl;
|
||
cv::Mat gray_image;
|
||
cv::cvtColor(color_image, gray_image, cv::COLOR_BGR2GRAY);
|
||
cv::imwrite("gray.jpg", gray_image);
|
||
std::cout << " -> 已保存为 gray.jpg（单通道灰度图）" << std::endl;
|
||
|
||
// --- 转换 2：BGR → HSV ---
|
||
// HSV 三分量：
|
||
// H (Hue，色相) ：0~180（OpenCV 中缩放到此范围，实际是 0~360 度）
|
||
// S (Saturation，饱和度)：0~255（越大越鲜艳，0 就是灰色）
|
||
// V (Value，明度) ：0~255（越大越亮）
|
||
std::cout << "[步骤 3] BGR -> HSV..." << std::endl;
|
||
cv::Mat hsv_image;
|
||
cv::cvtColor(color_image, hsv_image, cv::COLOR_BGR2HSV);
|
||
cv::imwrite("hsv.jpg", hsv_image);
|
||
std::cout << " -> 已保存为 hsv.jpg（注意：HSV 图片直接查看颜色会怪怪的，"
|
||
<< "因为查看器把它当 BGR 解释了）" << std::endl;
|
||
|
||
// --- 转换 3：BGR → Lab ---
|
||
// Lab 是设备无关的颜色空间，设计目标是接近人类视觉感知
|
||
// L (Lightness，亮度) ：0~100（实际 OpenCV 映射到 0~255）
|
||
// a (绿-红轴) ：负值偏绿，正值偏红
|
||
// b (蓝-黄轴) ：负值偏蓝，正值偏黄
|
||
std::cout << "[步骤 4] BGR -> Lab..." << std::endl;
|
||
cv::Mat lab_image;
|
||
cv::cvtColor(color_image, lab_image, cv::COLOR_BGR2Lab);
|
||
cv::imwrite("lab.jpg", lab_image);
|
||
std::cout << " -> 已保存为 lab.jpg" << std::endl;
|
||
|
||
// --- 转换 4：BGR → YCrCb ---
|
||
// YCrCb 常用于图像/视频压缩（如 JPEG、MPEG）
|
||
// Y (亮度分量) ：类似灰度
|
||
// Cr (红色色度分量) ：红色与亮度的差异
|
||
// Cb (蓝色色度分量) ：蓝色与亮度的差异
|
||
// 人眼对亮度敏感，对色度不敏感，所以压缩时可以对 CbCr 做更多压缩
|
||
std::cout << "[步骤 5] BGR -> YCrCb..." << std::endl;
|
||
cv::Mat ycrcb_image;
|
||
cv::cvtColor(color_image, ycrcb_image, cv::COLOR_BGR2YCrCb);
|
||
cv::imwrite("ycrcb.jpg", ycrcb_image);
|
||
std::cout << " -> 已保存为 ycrcb.jpg" << std::endl;
|
||
|
||
// ==========================================
|
||
// 第三部分：演示 HSV 各通道的分离
|
||
// ==========================================
|
||
std::cout << "[步骤 6] 分离 HSV 各通道..." << std::endl;
|
||
|
||
// cv::split(输入图像, 输出通道数组) —— 将多通道图像拆分成多个单通道图像
|
||
// 例如 3 通道的 HSV 图像可以拆成 H、S、V 三张独立的灰度图
|
||
// std::vector<cv::Mat> 是一个能存放多个 cv::Mat 的动态数组
|
||
std::vector<cv::Mat> hsv_channels;
|
||
cv::split(hsv_image, hsv_channels);
|
||
// 拆分后：
|
||
// hsv_channels[0] = H 通道（色相）
|
||
// hsv_channels[1] = S 通道（饱和度）
|
||
// hsv_channels[2] = V 通道（明度）
|
||
|
||
// 分别保存三个通道
|
||
cv::imwrite("hsv_channel_H.jpg", hsv_channels[0]); // 色相通道
|
||
cv::imwrite("hsv_channel_S.jpg", hsv_channels[1]); // 饱和度通道
|
||
cv::imwrite("hsv_channel_V.jpg", hsv_channels[2]); // 明度通道
|
||
std::cout << " -> 已保存 hsv_channel_H.jpg / S.jpg / V.jpg" << std::endl;
|
||
|
||
// 总结
|
||
std::cout << std::endl;
|
||
std::cout << "===== 实验 2 完成 =====" << std::endl;
|
||
std::cout << "你学会了：" << std::endl;
|
||
std::cout << " 1. cv::cvtColor() 可以在不同颜色空间之间转换" << std::endl;
|
||
std::cout << " 2. BGR → Gray：加权平均得到亮度" << std::endl;
|
||
std::cout << " 3. BGR → HSV：分开颜色和亮度，对光照变化更鲁棒" << std::endl;
|
||
std::cout << " 4. cv::split() 把多通道图像拆成单通道" << std::endl;
|
||
std::cout << " 5. RoboMaster 中 HSV 是核心！后面实验 7 会用到" << std::endl;
|
||
|
||
return 0;
|
||
}
|