在上一篇文章中，我们探索了在 opencv 中处理 rgb 图像的基础知识，包括绘图以及调整亮度和对比度。虽然 rgb 色彩空间非常适合计算机显示器，因为它以屏幕发出的光强度来表示颜色，但它与人类在自然世界中感知颜色的方式并不相符。这就是 hsv（色相、饱和度、明度）发挥作用的地方——一个旨在以更接近人类感知的方式表示颜色的颜色空间。
在这篇文章中，我们将深入研究 hsv，了解其组件，探索其应用程序，并学习一些增强图像的酷技巧。
什么是单纯疱疹病毒？
hsv 代表色相、饱和度和明度：
- 色调 (h)：这是指颜色的类型 - 红色、绿色、蓝色等。虽然传统上以圆形光谱 (0°–360°) 上的度数来测量，但在 opencv 中，色调缩放为 0 –179 适合 8 位整数。这是映射：
0（或接近它）仍然代表红色。 60–89 对应绿色。 120–149 对应蓝色。 140–179 环绕回红色，完成圆形光谱。
饱和度 (s)：这定义了颜色的强度或纯度：完全饱和的颜色不含灰色且充满活力，饱和度较低的颜色显得更加褪色。
值 (v)：通常称为亮度，它测量亮度或暗度。通过分离这些组件，hsv 使分析和操作图像变得更容易，特别是对于颜色检测或增强等任务。颜色。
为了更好地理解这一点，情节打击很好地展示了色彩空间中的值
在 opencv 中将图像转换为 hsv
使用 cv2.cvtcolor() 函数在 opencv 中将图像转换为 hsv 非常简单。我们来看看：
import cv2
import matplotlib.pyplot as plt
image = cv2.imread('./test.png')
plt.figure(figsize=(10,10))
plt.subplot(1,2,1)
plt.imshow(image[:,:,::-1]) #plot as rgb
plt.title("rgb view")
hsv= cv2.cvtcolor(image, cv2.color_rgb2hsv)
plt.subplot(1,2,2)
plt.imshow(hsv)
plt.title("hsv view")
plt.tight_layout()
plt.show()
登录后复制
乍一看，hsv 情节可能看起来很奇怪——几乎像外星人。这是因为您的计算机尝试将 hsv 表示为 rgb 图像，即使 hsv 的组件（尤其是色调）并未直接映射到 rgb 值。例如：
- 色调（h）：以角度表示，在 opencv 中范围为 0 到 179（而不是像 rgb 通道那样为 0 到 255）。这会导致色调通道在基于 rgb 的绘图中主要显示为蓝色。
在接下来的示例中，我们不会使用个人资料图像，而是使用 flux ai image gen 模型生成的较暗的图像。因为它提供了比个人资料图片更好的 hsv 用户案例，我们可以更好地看到它的效果
通过直方图了解 hsv
为了更好地理解 rgb 和 hsv 之间的差异，让我们绘制每个通道的直方图。代码如下：
# plot the histograms
plt.figure(figsize=(10, 6))
# rgb histogram
plt.subplot(1, 2, 1)
for i, color in enumerate(['r', 'g', 'b']):
plt.hist(image[:, :, i].ravel(), 256, [0, 256], color=color, histtype='step')
plt.xlim([0, 256])
plt.title("rgb histogram")
# hsv histogram
plt.subplot(1, 2, 2)
for i, color in enumerate(['r', 'g', 'b']):
plt.hist(hsv[:, :, i].ravel(), 256, [0, 256], color=color, histtype='step')
plt.xlim([0, 256])
plt.title("hsv histogram")
plt.show()
登录后复制
从直方图中，您可以看到 hsv 通道与 rgb 通道有何不同。请注意 hsv 中的色调通道，其值介于 0 到 179 之间，代表不同的颜色区域，而饱和度和值则处理强度和亮度。
可视化色相、饱和度和明度
现在，让我们将 hsv 图像分解为各个组成部分，以更好地理解每个通道代表的含义：
# plot the inpidual hsv channels
plt.figure(figsize=(10, 6))
plt.subplot(1, 3, 1)
plt.imshow(hsv[:, :, 0], cmap='hsv') # hue
plt.title("hue")
plt.subplot(1, 3, 2)
plt.imshow(hsv[:, :, 1], cmap='gray') # saturation
plt.title("saturation")
plt.subplot(1, 3, 3)
plt.imshow(hsv[:, :, 2], cmap='gray') # value
plt.title("value")
plt.tight_layout()
plt.show()
登录后复制
- 色调：显示清晰的颜色区别，突出显示图像中的主色。
- 饱和度：较亮的区域代表鲜艳的色彩，而较暗的区域表示更柔和的灰色色调。
- 明度：突出亮度分布，光线充足的区域显得更亮。
hsv 治疗技巧
1. 亮度增强（数值均衡）
对于光照不均匀的图像，均衡值通道可以使较暗的区域更加明显，同时为较亮的区域提供“发光”效果。
equ = cv2.equalizehist(hsv[:, :, 2]) # equalize the value channel
new_hsv = cv2.merge((hsv[:, :, 0], hsv[:, :, 1], equ))
new_image = cv2.cvtcolor(new_hsv, cv2.color_hsv2bgr)
# display results
plt.figure(figsize=(10, 6))
plt.subplot(1, 2, 1)
plt.imshow(image)
plt.title("original image")
plt.subplot(1, 2, 2)
plt.imshow(new_image)
plt.title("brightness enhanced")
plt.tight_layout()
plt.show()
登录后复制
2.色彩增强（饱和度均衡）
增强饱和度通道使图像中的颜色更加清晰和充满活力。
equ = cv2.equalizehist(hsv[:, :, 1]) # equalize the saturation channel
new_hsv = cv2.merge((hsv[:, :, 0], equ, hsv[:, :, 2]))
new_image = cv2.cvtcolor(new_hsv, cv2.color_hsv2bgr)
# display results
plt.figure(figsize=(10, 6))
plt.subplot(1, 2, 1)
plt.imshow(image)
plt.title("original image")
plt.subplot(1, 2, 2)
plt.imshow(new_image)
plt.title("color enhanced")
plt.tight_layout()
plt.show()
登录后复制
3. 滤色（隔离红色）
使用色调通道，我们可以隔离特定的颜色。例如，要提取红色调：
# Define range for red color
lower_red = np.array([140, 0, 0])
upper_red = np.array([180, 255, 255])
# Create a mask
mask = cv2.inRange(hsv, lower_red, upper_red)
filtered_image = cv2.bitwise_and(image, image, mask=mask)
# Display results
plt.figure(figsize=(10, 6))
plt.subplot(1, 2, 1)
plt.imshow(image)
plt.title("Original Image")
plt.subplot(1, 2, 2)
plt.imshow(filtered_image)
plt.title("Red Filtered")
plt.tight_layout()
plt.show()
登录后复制
这项技术对于对象检测、颜色分割甚至艺术效果等任务非常有用。
结论
hsv 色彩空间提供了一种通用且直观的方法来分析和操作图像。通过分离颜色（色调）、强度（饱和度）和亮度（值），hsv 简化了颜色过滤、增强和分割等任务。 rgb 是显示器的理想选择，而 hsv 则为创意和分析图像处理提供了可能性。
您最喜欢的 hsv 技巧是什么？欢迎在下方分享您的想法，让我们一起探索这个充满活力的色彩世界！
此版本包含流畅的流程、详细的解释和一致的格式，以提高可读性和理解性。
以上就是[CVHSV 与 RGB：理解和利用 HSV 进行图像处理的详细内容，更多请关注其它相关文章！
