图像表示方法

简介: 图像表示方法

RGB表示


RGB是使用三基色合成的原理,我们看到的彩色图片,都有三个通道,分别为红、绿、蓝通道,如果需要透明度则还有alpha分量. 通常每个通道用8bit表示,8bit能表示256种颜色,所以可以组成 256256256=16777216=1677万种颜色。这里的8bit就是我们讲的位深。一张图片通常RGB的顺序进行排列,也有BGR方式排列。


YUV表示


RGB表示方式是针对三基色的方式,但是人眼睛感知并不能分别出那么细致的色度,因此,允许降低色度的带宽,从而出现了YUV的表示方式。


Y表示明亮度,也就是灰阶值,通过明暗能够描绘图形的轮廓。


U(Cb)表示色度分量: 是照片蓝色部分去掉亮度(Y).


V(Cr)表示色度分量: 是照片红色部分去掉亮度(Y).


YUV格式可以分为三个分量,即Y、U、V一一对应.


人眼对亮度敏感对色度不敏感,因此亮度分量Y的采样不变,但是色度分量U和V会被降低采样数。


YUV表示图像可以有多种排列方式,分别为:

紧缩格式(packed formats): 将YUV值连续存储,和RGB的方式类似。
平面格式(planar formats): 将YUV的三个分量分别存放在不同的矩阵中。

为了节省带宽起见,大多数YUV格式平均使用每个像素位都少于24位,主要的抽样格式有:


  1. 4:4:4表示完全采样, 三分分量都是8bit, 采样码流为: Y0 U0 V0, Y1 U1 V1, Y2 U2 V2。
  2. 4:2:2表示UV分量是Y分量采样的一半,采样码流为: Y0 U0 V1, Y1 U0 V1, Y2 U2 V3, Y3 U2 V3, 水平方向两个像素共用一对U/V值。
  3. 4:2:0采样,并不是指只采样U分量而不采样V分量,而是指,在每一行扫描时,只扫描一种色度分量(U或者V), 和Y分量按照2:1的方式采样。比如, 第一行扫描时,YU按照2:1的方式采样,那么第二行扫描时,YV分量按照2:1的方式采样。对于每个色度分量来说,它的水平方向和垂直方向的采样和Y分量比都是2:1, 如下图。


假如图片像素为:

[Y0 U0 V0]、[Y1 U1 V1]、 [Y2 U2 V2]、 [Y3 U3 V3] [Y5 U5 V5]、[Y6 U6 V6]、 [Y7 U7 V7] 、[Y8 U8 V8] 


那么采样的码流为:

Y0 U0 Y1 Y2 U2 Y3 Y5 V5 Y6 Y7 V7 Y8
相关文章
|
3月前
|
机器学习/深度学习 编解码 测试技术
图像超分:真实感图像超分辨率的局部判别学习方法
图像超分:真实感图像超分辨率的局部判别学习方法
61 0
|
3月前
|
机器学习/深度学习 自动驾驶 安全
使用YOLO检测图像中的对象
使用YOLO检测图像中的对象
|
机器学习/深度学习 编解码 人工智能
深度学习应用篇-计算机视觉-图像增广1:数据增广、图像混叠、图像剪裁类变化类等详解
深度学习应用篇-计算机视觉-图像增广1:数据增广、图像混叠、图像剪裁类变化类等详解
深度学习应用篇-计算机视觉-图像增广1:数据增广、图像混叠、图像剪裁类变化类等详解
【IMAQ】imaqSetImageSize() 设置图像大小
【IMAQ】imaqSetImageSize() 设置图像大小
|
机器学习/深度学习 编解码 人工智能
图像基础二(下)
图像基础二(下)
166 0
图像基础二(下)
|
自然语言处理 计算机视觉 C++
图像基础二(上)
图像基础二(上)
146 0
图像基础二(上)
|
计算机视觉
图像的点云拼接
理解好图像的点云拼接,需要从相机的模型说起。理解相机的成像原理之后。 便可更为深刻的理解 图像的点云 如何拼接在一起。
图像的点云拼接
|
机器学习/深度学习 算法 计算机视觉
图像数据与边缘检测
图像数据与边缘检测
145 0
图像数据与边缘检测
|
算法 Java 计算机视觉
图像相似度比较和检测图像中的特定物
图像相似度比较和检测图像中的特定物
579 0
图像相似度比较和检测图像中的特定物