参考教程：

一、定义

色彩通常用三个相对独立的属性来描述，三个独立变量综合作用，自然就构成一个空间坐标，这就是色彩空间（色彩模型）。

二、常见色彩空间

色彩可以由不同的角度，用三个一组的不同属性加以描述，就产生了不同的色彩空间。

最常见的几种色彩空间有：

RGB 用于扫描仪和显示设备、计算机系统
CMYK 用于打印机、印刷出版业
YUV/YIQ 用于视频和电视
HIS/HSB/HSV/HSL
CIE 颜色空间，包括：CIE XYZ，CIE Lab，CIE YUV等颜色空间

1.RGB

一个能发出光波的物体称为有源物体，它的颜色由该物体发出的光波决定，使用RGB相加混合模型(additive color)。

国际照明委员会（CIE）规定以700nm(红)、546.1nm (绿)、435.8nm (蓝)三个色光为三基色。又称为物理三基色。自然界的所有颜色都可以通过选用这三基色按不同比例混合而成。

计算机彩色显示器的输入需要RGB三个彩色分量，通过三个分量的不同比例，在显示屏幕上合成所需要的任意颜色。RGB颜色空间的三个分量又称为三个通道，R、G、B分别反映了颜色在某个通道上的亮度值。在RGB彩色空间，任意彩色光F的配色方程可表达为：

F = r[R]（红色百分比） +g[G]（绿色百分比） + b[B]（蓝色百分比）

RGB颜色模型是三维直角坐标颜色系统中的一个正方体。
如下图
在这里插入图片描述
在正方体的主对角线上，各原色的量相等，产生由暗到亮的白色，即灰度。（0，0，0）为黑，（255，255，255）为白，正方体的其他6个角点分别为红、黄、绿、青、蓝和品红。

2.HSV

HSV是一种将RGB色彩空间中的点在倒圆锥体中的表示方法。

色调H
用角度度量，取值范围为0°～360°(python中取值0～180，可能为了适应uint8)，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°,品红为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）。

在这里插入图片描述

2.YUV

YUV(亦称YCrCb)是被欧洲电视系统所采用的一种颜色编码方法。在现代彩色电视系统中，通常采用三管彩色摄像机或彩色CCD摄影机进行取像，然后把取得的彩色图像信号经分色、分别放大校正后得到RGB，再经过矩阵变换电路得到亮度信号Y和两个色差信号R-Y(即U)、B-Y(即V)，最后发送端将亮度和两个色差总共三个信号分别进行编码，用同一信道发送出去。这种色彩的表示方法就是所谓的YUV色彩空间表示。采用YUV色彩空间的重要性是它的亮度信号Y和色度信号U、V是分离的。如果只有Y信号分量而没有U、V信号分量，那么这样表示的图像就是黑白灰度图像。彩色电视采用YUV空间正是为了用亮度信号Y解决彩色电视机与黑白电视机的兼容问题，使黑白电视机也能接收彩色电视信号。

在YUV颜色模型中：

“Y”表示明亮度（Luminance或Luma），也就是灰阶值；
“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。

而“U”和“V” 表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。
“色度”则定义了颜色的两个方面─色调与饱和度，分别用Cr和Cb来表示。其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。
而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。

YUV颜色模型解决了彩色图像和黑白图像的兼容问题，如果只有Y信号而没有U何V信号，那么一幅彩色图像就可以被转换为黑白图像。

YUV颜色模型可以和RGB颜色模型相互转换。公式如下：
Y = 0.299R + 0.587G + 0.114B
U = -0.147R - 0.289G + 0.436B
V = 0.615R - 0.515G - 0.100B

三、色彩空间转换

1.色彩空间转换API

常见的转换：

HSV和RGB
YUV和RGB

import cv2 as cv

def color_space_demo(image):
    """
    色彩空间的转换
    - - - -
    image - 原图像名
    """
    #转化为灰度图像
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    cv.imwrite("gray.png",gray)
    #转化为HSV图像
    hsv = cv.cvtColor(image,cv.COLOR_BGR2HSV)
    cv.imwrite("hsv.png",hsv)
    #转化为YUV图像
    yuv = cv.cvtColor(image,cv.COLOR_BGR2YUV)
    cv.imwrite("yuv.png",yuv)
    #转化为YCrCb图像
    ycrcb = cv.cvtColor(image,cv.COLOR_BGR2YCrCb)
    cv.imwrite("ycrcb.png",ycrcb)

if __name__ == "__main__":
    src = cv.imread('cat.jpg')
    color_space_demo(src)

结果：
在这里插入图片描述

2.inRange()函数

通过inRange()函数实现对视频中绿色部分的过滤
RGB到HSV的数值转换参考下表：
在这里插入图片描述

import cv2 as cv
import numpy as np

def extrace_object_demo():
    """
    通过inRange()函数实现对视频中绿色部分的过滤
    """
    capture = cv.VideoCapture('MV.mp4')
    while(True):
        ret, frame = capture.read()
        if ret == False:
            break
        # 转化为HSV
        hsv = cv.cvtColor(frame,cv.COLOR_BGR2HSV)
        # 设置绿色数值过滤
        lower_hsv = np.array([37,43,46])
        upper_hsv = np.array([77,255,255])
        mask = cv.inRange(hsv,lowerb=lower_hsv,upperb=upper_hsv)
        cv.imshow("video",frame)
        cv.imshow("mask",mask)
        c = cv.waitKey(40)
        if c == 27:
            break
            
if __name__ == "__main__":
    extrace_object_demo()

结果：
在这里插入图片描述

3.通道的分离与合并

使用split()函数实现通道的分离

import cv2 as cv

if __name__ == "__main__":
    src = cv.imread('cat.jpg')
    # 通道的分离
    b,g,r = cv.split(src)
    # 分别写入不同的图像
    cv.imwrite("blue.png",b)
    cv.imwrite("green.png",g)
    cv.imwrite("red.png",r)

结果：
在这里插入图片描述

单独修改某一通道

import cv2 as cv

if __name__ == "__main__":
    src = cv.imread('cat.jpg')
    src[:, :, 2] = 0
    cv.imwrite("changecolor.png",src)

结果：
在这里插入图片描述

使用merge()函数实现通道的合并

import cv2 as cv

if __name__ == "__main__":
    src = cv.imread('cat.jpg')
    b,g,r = cv.split(src)
    # 改变第2通道
    src[:, :, 2] = 0
    cv.imwrite("before.png",src)
    # 合并原通道恢复图像
    src = cv.merge([b,g,r])
    cv.imwrite("after.png",src)