5917人阅读
C++编译、编程（22）
区别重要的概念：
1、色彩模型：& RGB、 CMYK、HSI
2、色彩空间：CIE RGB、sRGB、Adobe RGB、CMYK、XYZ、xyY、CIELAB（L*a*b*）
注：色彩空间= 色彩模型 + 色域（gamut）
3、各个色彩空间对应的“色彩图 / 色品图”
正式定义一个色彩空间时通常采用的标准是 或
色彩空间，他们是为了涵盖正常人可见范围所有色彩所设计提出的，因此是最精确的色彩空间，与设备无关，但过于复杂，不适合于日常使用。CIE 空间& —& 包括CIE& XYZ ，CIE& L*a*b* 以及CIE& L*u*v* 是设备无关的，也就 是说，这些色空间中的颜色范围并不受到某种设备或某一个观察者视觉再现能力的限制。
1931年 CIE 提出了模型及其空间，涵盖了正常人可见的所有色彩，而且，测色制的建立给定量的确定颜色创造了条件。
但是，在这一空间中，两种不同颜色之间的距离值并不能正确地反映人们色彩感觉差别的大小， 也就是说在CIEYxy色厦图中，在 不同的位置不同方向上颜色的宽容量是不同的，这就是Yxy颜色空间 的不均匀性。这一缺陷的存在，使得在Yxy及XYZ空间不能直观地评价颜色。在1976年 CIE又提出了L*a*b*标准（也称：）和 CIE& L*u*v*（较少用） ，用于弥补XYZ空间的不足，比 XYZ 在感知上更线性的色彩空间。感知上线性意味着在色彩空间上相同数量的变化应当产生大约相同视觉重要性的变化。
色彩空间 对应图：
色彩空间&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&”&&
CIELAB （L*a*b*& 1976）
基于设备的色彩空间（不完全包括人眼可见的色彩）&
CIE RGB 色彩空间&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
sRGB&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Prophoto RGB&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
CMYK&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
最完整的色彩空间可视化网站：
1、有3维gamut 的显示、各种转换矩阵，各种空间坐标的online计算： & 非常重要！！！
2、CIE1931色彩空间&
3、色彩空间：
4、Lab色彩空间：
5、sRGB色彩空间：
6、郑州大学包装工程系：《包装色彩学》2002年 吕新广 主编
7、色品图（chromaticity diagram）
8、博文：&：
9、从零开始&色彩术语全解读：
&Raw 格式数据
RAW的原意就是“未经加工”。可以理解为：RAW图像就是CMOS图像感应器将捕捉到的光源信号转化为数字信号的原始数据。
RAW文件是一种记录了数码相机传感器的原始信息，同时记录了由相机拍摄所产生的一些原数据（Metadata，如IS0的设置、快门速度、光圈值、白平衡等）的文件。RAW是未经处理、也未经压缩的格式，可以把RAW概念化为“原始图像编码数据”或更形象的称为“数字底片”。常有10、12位或14位或22位二进制记录数据。
RAW格式的优点就是拥有JPEG图像无法相比的大量拍摄信息。正因为信息量庞大，所以RAW图像在用电脑进行成像处理时可适当进行曝光补偿，还可调整白平衡，并能在成像处理时任意更改照片风格、锐度、对比度等参数，所以那些在拍摄时难以判断的设置，均可在拍摄后通过电脑屏幕进行细微调整。
而且这些后期处理，全都是无损失并且过程可逆，也就是说我们今天处理完一个RAW文件，只要还是保存成RAW格式，那么以后我们还能把照片还原成原始的状态。这一特性是JPG处理时所不能比拟的，因为JPG文件每保存一次，质量就会下降一些。
严格地说RAW格式不是图像文件，而是一个数据包，这个数据包不经过相机内的影像生成器的转换，所以前期的许多设定对数据包无效，前期设定中即只有曝光量（ISO，光圈，快门）“也可算上 '焦距'&”正确与否对数据包起作用，其余的都没有“设定”，色彩、平衡、反差、锐化等都在RAW格式专用的转换软件中进行。换句话说，除曝光之外，一切都可以在后期改变。即使，曝光量，也能在后期适当的“曝光补偿”。
每个厂家都有自己的实际Raw 的格式，如：Nikon的
.NEF.NRW（
）&.ARW.SRF.SR2（
）.crw.cr2（
用OpenCV的IplImage 或 CvMat 格式的数据直接可以存储成 RGB 格式的Raw图，只是没有机拍摄所产生的一些原数据（Metadata），所以PhotoShop只能简单的打开他，无法同时打开
Cmamera Raw5.6&&
RAW格式的最大的优势是具有目前最大的色彩空间（参阅上节内容），这就是ProPhoto RGB。RAW格式照片作为独立于相机外的数据文件，不受影像生成器的色域空间的限制，完全可以放开手脚，扩展到最大的色彩空间。关于这一点，不看色彩模型就可以推断出来。数码相机的原始文件色域如果不是大于Adobe RGB，就不可能定义出真正的Adobe RGB。事实上，数码相机的色彩空间超出了AdobeRGB，与最大的ProPhoto RGB几乎“并驾齐驱”，这也是RAW格式素质卓越的原因之一。它出色的色域性能为我们驾驭色RAW格式由于采用了12位、14位甚至22位来记录信息（已经有数码相机的单色色彩深度达到22位）。转换时可以转换为16位的TIFF输出，这意味着有RGB单色最少有65536种色彩记录能力，这相对于8位JPEG的256种是一个很大的优势。以某种红色为例，8位JPEG只有256级可以利用，而在RAW格式中，单色可达到4096级，所以RAW格式的层次要丰富得多。
它的现实意义是：如果我们进行大幅度的色彩改变和亮度调整，就会发现同样的调整，使用JPEG格式或者是TIFF格式时，照片已经模糊，产生噪点、画质受损，而RAW格式还远远没有达到“精疲力尽”的程度，还有可以发掘的余地，这种潜能是RAW格式的性质决定的——最大的色彩空间，最多的层次记录，并且给你最原始的没有加工过的原料，让你烹饪出最理想、美味的个性大餐。
为什么叫RAW？RAW的英文原意就是生的、未经加工处理的，从字面上可以理解RAW的含义。
由于色域空间大、层次丰富，RAW格式在没有经过处理时，看上去画面显得平淡而昏暗，不明就里的人一看就认为数码
不行。举一个不太恰当地例子，看见了牛粪，就觉得牛肉不能吃，这其实是误区。有不少影友，用了几年数码相机，却从来没有用过RAW格式，一是不了解，二是不善处理，三是被表象所惑。事实上，用RAW格式拍摄并转换制作的照片完全可以与胶片相媲美。让我们深入地认识RAW格式，与RAW格式交朋友，毕竟每个摄影人都希望掌握获得高画质的技术诀窍。
...........见为什么RAW格式可以使图像处理游刃有余?
高画质的法宝 相机RAW格式使用技巧详解
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：334011次
积分：3486
积分：3486
排名：第8413名
原创：35篇
转载：27篇
评论：47条
(1)(2)(1)(1)(2)(2)(3)(2)(3)(2)(1)(5)(1)(1)(2)(2)(1)(1)(1)(2)(2)(3)(1)(1)(5)(13)(1)166R.Trias-Sanzetal./ISP；Fig.5.Partofthetestsitea；R.Trias-Sanzetal./ISPRSJ；segmentationpurposes,alt；Forillustration,Fig.5sho；Imagesegmentationisusual；Whilesegmentationisusual；non-l
166R.Trias-Sanzetal./ISPRSJournalofPhotogrammetry&RemoteSensing63(
Fig.5.Partofthetestsiteandsegmentationresults.Top:inputimage.Center:segmentationusingoneoftheoptimalfeaturesets.Bottom:segmentationusingoneofthebadly-performingfeaturesets.Seethetextfordetailsontheparametersets.
R.Trias-Sanzetal./ISPRSJournalofPhotogrammetry&RemoteSensing63(167
segmentationpurposes,althoughwearereassuredbythefactthatVansteenkisteetal.(2004)obtainsimilarresults.Itmaybearguedthat,sincetexturalfeaturesareinherentlydefinedonneighbourhoodsandnotindividualpixels,theirpositionalaccuracyislessthanforradiometricdata.Althoughtexturemayplayaroleinterrainclassification,itmaybethatradiometryisenoughforsegmentation―aslongasitisnotnecessarytodeterminetheterraintypesbeingseparated―andthattexture'sinferiorpositionalaccuracymakesitlessusefulforsegmentation.
Forillustration,Fig.5showssomeimagesegmenta-tions.Theinputimageisatthetop.Thecenterimageisasegmentationwiththeselectedoptimalset,withqualitymeasuresM=0.3490andF=0.1848.Darkeredgesappearatcoarseranalysisscalesinthemultiscalesegmentation,andarethereforesupposedtocorrespond―iftheparametersetiswellchosen―tomoresalientedgesinthesourceimage.Thebottomimageshowsasegmentationwithabadly-performingparameterset,withM=0.7721andF=0.6471.Notethat,whereasdarkeredgesinthefirstsegmentationdocorrespondtomoresalientedgesinthesourceimage,edgedarknessinthesecondsegmentationislesscorrelatedwithsaliency,hencetheworsequalitymeasures.Thebadly-performingparametersetusesthegreenchannelgasR1and,asR2,theregion-basedversionofthescale-orientationhistogramparameter(seeSection4.2.6)referredtoasσθ,iinZhouetal.(2003).6.Conclusion
Imagesegmentationisusuallythefirststepofanimageunderstandingprocess.Segmentationissupposedtopartitionanimageintosemanticallysignificantob-jects,althoughinpracticeitisjustrequiredtoobtainhomogeneouspatches.
Whilesegmentationisusuallyperformedontherawradiometrychannels,itcouldbethatusingtransformedcolourspacesortexturalfeaturesgivesimprovedresults.Toexplorethisquestion,wehaveperformedanex-perimentwithseveraltransformedcolourspacesandtexturalfeatureswhichmaybeadequatefortheproblemofsegmentingahigh-resolutionaerialimageofruralareas.Wehavesuggestedawayofdealingwiththefactthatsomecolourandtexturalfeaturesareangularinnature.Wehavetestedalargenumberofcombinationsofinputchannels,inordertodeterminewhichrawradiometrychannel,transformedcolourchannel,ortexturefeaturesgivebestperformanceforthespecificproblemofhigh-resolutionaerialimagesofruralareas.Theconclusionisthattexture,whichatfirstthoughtseemedpromising,doesnotactuallyimprovetheresults.Webelievethatthisisbecauseofthe
non-localnatureoftexture.Ontheotherhand,usingtransformedcolourchannelsgivesbetterresultsthanusingtherawred,green,andbluechannels.
Inparticular,wehaveseenthatbyexploringalternateinputchannelsforthesegmentationalgorithmwehaveimprovedthesegmentationqualityfrom(0.9)(withR1={r,g,b},R2=t)to(0.8)(withR1={c2},R2={Z,e3}).Althoughthisparticularresultislikelynottobeextrapolabletoimagesotherthanhigh-resolutionaerialimagesofruralareas,itshowsthat,inanyparticularapplication,itmaybeinterestingtocheckwhethertrans-formedchannelsmaygivebetterresults.References
Angulo,J.,Serra,J.,Hanbury,A.,2003.Morphologiemathématiqueet
couleur.TalkattheGDRISIScolloquia.ENST,Paris,France.May.
Baillard,C.,Oct.1997.Analysed'imagesaériennesstéréopourla
restitution3-denmilieuurbain.Ph.D.thesis,ENST,Paris,France.Berens,J.,Finlayson,G.D.,2000.Log-opponentchromaticitycoding
ofcolourspace.ProceedingsInternationalConferenceonPatternRecognition,vol.1.IAPR,Barcelona,Spain,pp.206C211.Sep.Bülow,T.,Sommer,G.,1998.QuaternionicGaborfiltersforlocal
structureclassification.ProceedingsInternationalConferenceonPatternRecognition,vol.1.IEEEComputerSociety,Brisbane,Australia,pp.808C810.Aug.
Cheng,H.D.,Jiang,X.H.,Sun,Y.,Wang,J.,2001.Colorimage
segmentation:advancesandprospects.PatternRecognition34(12),.
Faugeras,O.,1979.Digitalcolorimageprocessingwithintheframe-workofahumanvisualmodel.IEEETransactionsonAcoustics,Speech,andSignalProcessing27(4),380C393.
Garnier,A.,Sep.2002.Modélisationdetexturesdanslesimages
aériennes.Master'sthesis,écoleSupérieureenSciencesInforma-tiques,930,ruedesC06903Sophia-Antipolis,France.
Gawthrop,L.C.(Ed.),1970.TheAdministrativeProcessand
DemocraticTheory.HoughtonMifflinCo.
Geman,S.,Geman,D.,1984.Stochasticrelaxation,Gibbsdistribu-tionsandtheBayesianrestorationofimages.IEEETransactionsonPatternAnalysisandMachineIntelligence6(6),721C741.
Guigues,L.,2000.Unalgorithmepourladétectiondezonesde
végétationsurimagesaériennes.OralcommunicationtoGT6.2“Complexsystemsforimageanalysis”ofGdRISIS.ENST,Paris,France.Oct.
Guigues,L.,LeMen,H.,Cocquerez,J.-P.,2003.Scale-setsimage
analysis.ProceedingsInternationalConferenceonImageProces-sing,vol.2.IEEE,Barcelona,Spain,pp.45C48.Sep.
Guigues,L.,Cocquerez,J.P.,LeMen,H.,2006.Scale-SetsImage
Analysis.InternationalJournalofComputerVision68(3),289C317(July).
Jolion,J.-M.,Montanvert,A.,1992.Theadaptivepyramid,a
frameworkfor2Dimageanalysis.CVGIP.ImageUnderstanding55(3),339C348May.
Koepfler,G.,Lopez,C.,Morel,J.,1994.Amultiscalealgorithmfor
imagesegmentationbyvariationalmethods.SIAMJournalonNumericalAnalysis31(1),282C299Feb.
Kruizinga,P.,Petkov,N.,2000.Anonlineartextureoperatorspecialised
intheanalysisofdot-patterns.ProceedingsInternationalConference
168R.Trias-Sanzetal./ISPRSJournalofPhotogrammetry&RemoteSensing63(
onPatternRecognition,vol.1.IAPR,Barcelona,Spain,pp.197C201.Sep.
Leclerc,Y.,1989.Constructingsimplestabledescriptionsforimage
partitioning.InternationalJournalofComputerVision3(1),73C102.
Liu,J.,Yang,Y.-H.,1994.Multiresolutioncolorimagesegmentation.
IEEETransactionsonPatternAnalysisandMachineIntelligence16(7),689C700.
MacLennan,B.,1991.Gaborrepresentationsofspatiotemporalvisual
images.Tech.Rep.CS-puterScienceDepartment,UniversityofTennessee,Knoxville,TN37996,USA.Sep.Marr,D.,1982.Vision.FreemanandCo.
Mumford,D.,Shah,J.,1989.Optimalapproximationsbypiecewise
<mu-nicationsonPureandAppliedMathematics17(4),577C685.Olaja,T.,Pietik?inen,M.,M?enp??,T.,2002.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns.IEEETransactionsonPatternAnalysisandMachineIntelligence24(7),971C987Jul.
Pareto,V.,1906.Manualed'economiapolitica.Milano,Italy.
Peleg,S.,Naor,J.,Hartley,R.,Avnir,D.,1984.Multipleresolution
textureanalysisandclassification.IEEETransactionsonPatternAnalysisandMachineIntelligence6(4),518C523Jul.
Salembier,P.,Garrido,L.,2000.Binarypartitiontreeasanefficient
representationforimageprocessing,segmentation,andinformation
retrieval.IEEETransactionsonImageProcessing9(4),561C576Apr.
SeguiPrieto,M.,Allen,A.R.,2003.Asimilaritymetricforedge
images.IEEETransactionsonPatternAnalysisandMachineIntelligence25(10),Oct.
Talukdar,D.,Acharya,R.,1995.Estimationoffractaldimensionusing
alternatingsequentialfilters.ProceedingsInternationalConferenceonImageProcessing.IEEE,Washington,D.C.,USA,pp.231C234.Oct.
Tao,Y.,Lam,E.C.M.,Tang,Y.Y.,2000.Extractionoffractalfeaturefor
patternrecognition.ProceedingsInternationalConferenceonPatternRecognition,vol.2.IAPR,Barcelona,Spain,pp.527C530.Sep.Trias-Sanz,R.,2005.Ametricforevaluatingandcomparing
hierarchicalandmulti-scaleimagesegmentations.ProceedingsoftheInternationalGeosciencesAndRemoteSensingSymposium,vol.8.Seoul,SouthKorea,pp..Jul.
VandeWouwer,G.,Scheunders,P.,Livens,S.,VanDyck,D.,1999.
Waveletcorrelationsignaturesforcolortexturecharacterization.PatternRecognition32(3),443C451Mar.
Vansteenkiste,E.,Schoutteet,A.,Gautama,S.,Philips,W.,2004.
Comparingcolorandtexturalinformationinveryhighresolutionsatelliteimageclassification.ProceedingsInternationalConfer-enceonImageProcessing.IEEE,Singapore,pp..Oct.Zhou,J.,Xin,L.,Zhang,D.,2003.Scale-orientationhistogramfor
textureimageretrieval.PatternRecognition36(4),.
三亿文库包含各类专业文献、应用写作文书、幼儿教育、小学教育、专业论文、外语学习资料、生活休闲娱乐、70Using colour, texture, and hierarchial segmentation for high-resolution remote sensing_图文等内容。
