昨天我們提到，一張圖片是由許多 Pixel 所組成，而每個 Pixel 都會記錄一些數值。

不過，當時還留下一個問題。

如果是灰階圖片，一個 Pixel 只需要記錄一個亮度值就可以了。

那如果今天是一張彩色圖片呢？

例如有張照片裡面有一片藍天、一棵綠樹、一朵紅花。

電腦又是怎麼把這些顏色記錄下來的？

其實電腦並不是直接記住「紅色」、「藍色」這些顏色，而是透過不同的色彩空間（Color Space）來表示它們。

今天想要和大家介紹三個最常看到的色彩空間：

• RGB
• Gray
• HSV

RGB：最常見的色彩表示方式

RGB 應該是最常看到的色彩空間。

它分別代表：

• Red（紅）
• Green（綠）
• Blue（藍）

每個 Pixel 都會記錄這三個通道的數值。

例如：

R = 255
G = 0
B = 0

代表純紅色。

而：

R = 255
G = 255
B = 255

代表白色。

如果三個值都是 0：

R = 0
G = 0
B = 0

就是黑色。

也就是說，每個 Pixel 都可以想成：

(R, G, B)

如果每個通道都是 8-bit，就有 2^8=256 種可能。

因此一個 Pixel 可以表示：

256 × 256 × 256 ≈ 1677 萬種顏色

實作：建立一張 RGB 圖片

我們可以直接建立一張只有三個顏色的圖片。

import numpy as np
import matplotlib.pyplot as plt

img = np.zeros((200, 600, 3), dtype=np.uint8)

img[:, :200] = [255, 0, 0]
img[:, 200:400] = [0, 255, 0]
img[:, 400:] = [0, 0, 255]

plt.imshow(img)
plt.axis("off")
plt.show()

結果會長這樣：

這張圖片只有三個區塊。

分別是：

• 紅色
• 綠色
• 藍色

也是 RGB 三個基本通道。

Gray：只保留亮度資訊

有些時候，我們其實不需要顏色。

例如：

• 邊緣偵測
• 二值化
• 影像分割

很多演算法更在意的是「哪裡比較亮？」

而不是「是什麼顏色？」

這時候就會把圖片轉成 Gray（灰階）。

灰階圖片只有一個通道。

例如：

0

代表黑色。

255

代表白色。

中間則是不同亮度的灰色。

實作：RGB 轉 Gray

我們可以非常容易的用 OpenCV 完成灰階轉換。

import cv2
import matplotlib.pyplot as plt

img = cv2.imread("image.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

plt.imshow(gray, cmap="gray")
plt.axis("off")
plt.show()

結果如下：

轉成灰階之後，圖片的顏色消失了。

留下的只有亮度資訊。

這裡補充一個實作中非常重要的一點。
回到剛剛的程式碼，你應該會看到這段：

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

這行是幹嘛的呢？

剛剛我們有提到，全彩影像會用 RGB 表示。

但在 OpenCV 套件中，表示全彩的方式是使用 BGR 來表示，通道的順序不一樣。

因此這行程式碼的意思就是：把 BGR 的通道順序轉回一般的 RGB 順序。

如果不轉會怎樣？

我們來試試看：

準備一張圖片測試：

原圖：

接著執行下面這段程式：

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

img=plt.imread("dog.jpeg")

plt.title("Without OpenCV")
plt.axis("off")
plt.imshow(img)
plt.show()

cv2_img=cv2.imread("dog.jpeg")
plt.title("With OpenCV")
plt.axis("off")
plt.imshow(cv2_img)
plt.show()

來看一下結果：

可以發現色彩失真了。

這就是為什麼要在用 OpenCV 讀入時先進行轉換。

如果沒有轉換，讀入的圖片就不會是原始顏色。

Gray 真的是三個通道平均嗎？

很多人以為灰階就是：

(R + G + B) / 3

也就是三通道的平均值。

但其實不是。

人眼對不同顏色的敏感程度不同。

綠色通常最敏感。

藍色則相對沒那麼敏感。

因此常見的灰階轉換方式會給不同權重。

例如：

Gray = 0.299R + 0.587G + 0.114B

所以同樣亮度的紅色和綠色，轉成灰階之後，結果其實不一定一樣。

HSV：比較符合人類理解顏色的方式

RGB 很直覺。

但如果要找某一種顏色，就沒有那麼方便。

例如我要找「紅色」。

RGB 到底是多少？

(255,0,0)？
(230,20,20)？
(180,40,50)？

可能有很多種。

因此很多影像處理工作，會改用 HSV。

HSV 分成三個部分：

• H（Hue）：色相
• S（Saturation）：飽和度
• V（Value）：明度

如果把它想成調色盤：

Hue 決定是什麼顏色。

Saturation 決定顏色鮮不鮮豔。

Value 決定亮不亮。

因此：

改變 Hue，顏色就會改變。

改變 Saturation，顏色會慢慢變淡。

改變 Value，整張圖片亮度會變。

實作：RGB 轉 HSV

接著，我們把剛剛的 RGB 圖片轉換成 HSV。

hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)

print(hsv[0, 0])

執行後，可以看到左上角 Pixel 的 HSV 值：

[0 255 255]

先回想一下 HSV 三個通道分別代表什麼：

• H（Hue）：色相，也就是顏色種類。
• S（Saturation）：飽和度，數值越高代表顏色越鮮豔。
• V（Value）：明度，數值越高代表越明亮。

因為左上角 Pixel 是純紅色，所以飽和度與明度都是最大值 255，這不難理解。

比較容易讓人疑惑的是第一個數值 0。

為什麼紅色是 0？

其實在 HSV 中，顏色並不是由三個通道混合而成，而是用「色相」來表示顏色的位置。

可以把 Hue 想像成一個色相環，不同的角度代表不同的顏色。

紅色剛好位於起點，因此 Hue 會是 0。

不過，如果你查其他資料，可能會發現有些地方會把 Hue 表示成 0 到 360 度。

這是因為 HSV 原本就是以角度來描述顏色。

而 OpenCV 為了方便使用 8-bit 影像儲存資料，將 Hue 的範圍縮放成 0 到 179，因此在 OpenCV 中看到的數值，和部分教科書或其他工具可能會有些不同。

雖然 HSV 的數值沒有 RGB 那麼直覺，但它在影像處理中卻非常實用。

例如想找出畫面中的某種顏色時，比起一次要同時限制 R、G、B 三個通道，直接限制 Hue 的範圍通常會比較容易。

所以像是：

• 顏色辨識
• 交通號誌偵測
• 水果成熟度判斷
• 特定顏色物件追蹤

都很常先把圖片轉換成 HSV，再進行後續的處理。

今天總結

今天整理了三種最常見的色彩空間。

• RGB：利用紅、綠、藍三個通道表示顏色，也是最常見的圖片格式。
• Gray：只保留亮度資訊，許多影像處理演算法都會先將圖片轉成灰階。
• HSV：將顏色拆成色相、飽和度與明度，在顏色辨識與分割時通常比 RGB 更方便。

目前看起來，RGB、Gray、HSV 好像只是不同的表示方式。

不過下一篇開始，我們會發現，當圖片進入電腦之後，除了顏色之外，還有另外一件同樣重要的事情。

那就是圖片是如何被數位化的。

也就是 Sampling（取樣）與 Quantization（量化）。