如何实现opencv-python的RGB与BGR的互转

小编这次要给大家分享的是如何实现opencv-python的RGB与BGR的互转，文章内容丰富，感兴趣的小伙伴可以来了解一下，希望大家阅读完这篇文章之后能够有所收获。

一、格式转换

opencv读取图片的默认像素排列是BGR，需要转换。PIL库是RGB格式。

caffe底层的图像处理是基于opencv，其使用的颜色通道顺序与也是BGR(Blue-Green-Red)，而日常图片存储时颜色通道顺序是RGB。

在Python中，将RGB顺序的图像转成BGR顺序，需要调整channel dimension的各颜色通道顺序。

方法1：

img = cv2.imread("001.jpg")

img_ = img[:,:,::-1].transpose((2,0,1))

① 在opencv里，图格式HWC，其余都是CHW，故transpose((2,0,1))

② img[:,:,::-1]对应H、W、C，彩图是3通道，即C是3层。opencv里对应BGR，故通过C通道的 ::-1 就是把BGR转为RGB

注： [::-1] 代表顺序相反操作

③ 若不涉及C通道的BGR转RGB，如Img[:,:,0]代表B通道，也就是蓝色分量图像；Img[:,:,1]代表G通道，也就是绿色分量图像；Img[:,:,2]代表R通道，也就是红色分量图像。

方法2：

使用opencv自带函数转换图像的R通道和B通道。

RGB -> BGR

img_bgr = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2BGR)

BGR->RGB

img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

方法3：

BRG转RGB

rgb = bgr[...,::-1]

RGB转BGR

bgr = rgb[...,::-1]

RGB转GBR

gbr = rgb[...,[2,0,1]]

二、其他

添加Batch项一般是caffe2图像预处理的最后一步，在经过RGB->BGR，图像增强以及HWC->CHW后，还需要在CHW前添加一个第四维N以记录图像样本数量（即batchsize），所以输入caffe的图像格式为(N,C,H,W)，其中颜色通道C的顺序是BGR。

但是对于TensorFlow这个顺序有差别。TensorFlow有两种数据格式NHWC和NCHW，默认的数据格式是NHWC，可以通过参数data_format指定数据格式。设置为 “NHWC” 时，排列顺序为 [batch, height, width, channels]；设置为 “NCHW” 时，排列顺序为 [batch, channels, height, width]。

两种数据格式的转换：

NHWC –> NCHW：

import tensorflow as tf
x = tf.reshape(tf.range(24), [1, 3, 4, 2])
out = tf.transpose(x, [0, 3, 1, 2])

NCHW –> NHWC：

import tensorflow as tf
x = tf.reshape(tf.range(24), [1, 2, 3, 4])
out = tf.transpose(x, [0, 2, 3, 1])

补充知识：浅谈opencv使用BGR而非RGB的原因

使用opencv读取图片时， 默认的通道顺序是BGR而非RGB，在RGB为主流的当下， 这种默认给我们带来了一点不便。那么， opencv 为什么要使用BGR而非RGB呢？

目前看到的一种解释说是因为历史原因：早期BGR也比较流行，opencv一开始选择了BGR，到后来即使RGB成为主流，但也不好改了。

看完这篇关于如何实现opencv-python的RGB与BGR的互转的文章，如果觉得文章内容写得不错的话，可以把它分享出去给更多人看到。