openISP学习9-CSC-Color Space Conversion（色彩空间转换）

到这一步就很好理解,记住简单的数学公式即可.
由于openISP的色彩空间转换只提供了,RGB转YUV的方法.实际上色彩空间的转换.还有RGB->HSV,RGB->YCrCb等等,感兴趣的自己问AI吧.

下面以RGB->YUV为例,一起来验证一下.

1.算法原理

将 RGB 图像转换为 YCbCr（YUV）色彩空间。Y 分量表示亮度，Cb/Cr 表示色度差，便于后续亮度和色度的独立处理（降噪、边缘增强等）。

• Y（Luminance/Luma）：代表明亮度，也就是我们常说的灰阶值。它反映了图像的明暗程度，相当于一幅灰色的图像。
• U和V（Chrominance/Chroma）：代表色度分量，用于描述影像的色彩和饱和度。

BT.601 转换公式

Y = 0.257R + 0.504G + 0.098B + 16 Cb = -0.148R - 0.291G + 0.439B + 128 Cr = 0.439R - 0.368G - 0.071B + 128

注：config.csv 中的系数已乘以 1024，实现时再除以 1024。

2.算法代码实现

实现细节

• 使用 NumPy 广播运算，高效处理全图（向量化）
• 中间类型uint32，防止 255×1024 ≈ 261120 溢出
• 输出转uint8，有效范围 Y∈[16,235]，Cb/Cr∈[16,240]

数学表达
这里由于下面测试代码使用的Q10的格式,每个像素都放大了1024,所以这里会除以1024,具体请看测试代码中是怎么做的.

[Y ] [csc[0,0] csc[0,1] csc[0,2]] [R] [csc[0,3]] [Cb] = [csc[1,0] csc[1,1] csc[1,2]] × [G] + [csc[1,3]] [Cr] [csc[2,0] csc[2,1] csc[2,2]] [B] [csc[2,3]] 结果 / 1024

classCSC:'Color Space Conversion'def__init__(self,img,csc):self.img=img self.csc=cscdefexecute(self):img_h=self.img.shape[0]img_w=self.img.shape[1]img_c=self.img.shape[2]csc_img=np.empty((img_h,img_w,img_c),np.uint32)# for y in range(img_h):# for x in range(img_w):# mulval = self.csc[:,0:3] * self.img[y,x,:]# csc_img[y,x,0] = np.sum(mulval[0]) + self.csc[0,3]# csc_img[y,x,1] = np.sum(mulval[1]) + self.csc[1,3]# csc_img[y,x,2] = np.sum(mulval[2]) + self.csc[2,3]# csc_img[y,x,:] = csc_img[y,x,:] / 1024csc_img[:,:,0]=self.img[:,:,0]*self.csc[0,0]+self.img[:,:,1]*self.csc[0,1]+self.img[:,:,2]*self.csc[0,2]+self.csc[0,3]csc_img[:,:,1]=self.img[:,:,0]*self.csc[1,0]+self.img[:,:,1]*self.csc[1,1]+self.img[:,:,2]*self.csc[1,2]+self.csc[1,3]csc_img[:,:,2]=self.img[:,:,0]*self.csc[2,0]+self.img[:,:,1]*self.csc[2,1]+self.img[:,:,2]*self.csc[2,2]+self.csc[2,3]csc_img=csc_img/1024self.img=csc_img.astype(np.uint8)returnself.img

3.测试代码

灰度图转YUV

我们知道RGB格式的灰度图各个通道分量都是一样的,所以Y分量完全可以理解为灰度值（或亮度分量）。

""" 测试目标： 1. 输出形状和 dtype 正确 2. BT.601 标准白点（R=G=B=255）的 Y 值接近 235 3. 纯灰（R=G=B）时 Cb 和 Cr 接近 128（色度中性） """def_bt601_csc(self):"""返回 BT.601 CSC 矩阵（×1024）。"""csc=np.zeros((3,4))csc[0,:]=[0.257*1024,0.504*1024,0.098*1024,16*1024]csc[1,:]=[-0.148*1024,-0.291*1024,0.439*1024,128*1024]csc[2,:]=[0.439*1024,-0.368*1024,-0.071*1024,128*1024]returncscdeftest_gray_chromacomponents_neutral(self):"""纯灰图像（R=G=B=128）Cb/Cr 通道应接近 128（±10）。"""img=make_rgb(8,8,r=128,g=128,b=128)csc_mat=self._bt601_csc()csc=CSC(img.copy(),csc_mat)out=csc.execute()cb_mean=float(out[:,:,1].mean())cr_mean=float(out[:,:,2].mean())print(f"cb_mean:{cb_mean},cr_mean:{cr_mean}")

• 测试结果
  cb_mean:128.0,cr_mean:128.0

白点测试

这里同样创建一张各通道值为235的白色灰度图,经过bt601转换后,Y通道的亮度值为217,符合预期.

deftest_white_point_luma(self):"""白点（R=G=B=235）的 Y 值（BT.601 范围 16-235）应在合理范围内。"""img=make_rgb(4,4,r=235,g=235,b=235)csc_mat=self._bt601_csc()csc=CSC(img.copy(),csc_mat)out=csc.execute()y_val=float(out[:,:,0].mean())print(f"y_val:{y_val}")

• 测试结果
  y_val:217.0