HSV颜色模型和OpenCV中的颜色分量范围介绍【建议收藏】_hsv褐色范围 opncv

在图像处理和计算机视觉领域，颜色模型是理解和分析图像色彩的基础。OpenCV作为一个广泛使用的计算机视觉库，支持多种颜色空间，其中HSV（Hue, Saturation, Value）颜色模型因其直观性和易用性，在图像处理和颜色分析中被广泛应用。

一、HSV颜色模型概述

HSV颜色模型是一种基于人眼感知颜色的方式而设计的颜色空间，由A. R. Smith在1978年提出。它通过将颜色分解为色调（Hue）、饱和度（Saturation）和明度（Value）三个分量，以直观的方式表示颜色。HSV颜色模型可以用一个圆锥体或圆柱体来描述，其中色调H用极坐标的极角表示，饱和度S用极坐标的极轴长度表示，明度V用圆柱体的高度表示。

1.1 色调（Hue）

色调H表示颜色的类别，用角度度量，取值范围为0°～360°。在HSV模型中，色调从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°。

1.2 饱和度（Saturation）

饱和度S表示颜色接近光谱色的程度，取值范围为0%～100%。饱和度越高，颜色越深且越鲜艳；饱和度越低，颜色越浅且越接近白色。在HSV模型中，饱和度为0%表示纯白色，此时颜色不包含任何光谱色成分。

1.3 明度（Value）

明度V表示颜色的明亮程度，取值范围也是0%～100%。明度越高，颜色越明亮；明度越低，颜色越暗。当明度为0%时，颜色最暗，表现为黑色。在HSV模型中，明度V与颜色的亮度直接相关，但与颜色的种类和饱和度无关。

二、OpenCV中的HSV颜色分量范围

2.1 分量范围

在OpenCV中，HSV颜色模型的具体分量范围如下：

• 色调H：0～180（注意，这与标准HSV模型中的0～360°不同，OpenCV将色调的取值范围进行了归一化处理，以便在内部处理时更加高效）
• 饱和度S：0～255（与标准HSV模型中的0%～100%不同，OpenCV使用0～255来表示）
• 明度V：0～255（同样，与标准HSV模型中的0%～100%不同，OpenCV使用0～255来表示）

这种表示方式使得在OpenCV中处理HSV颜色时更加直观和方便，因为所有的颜色分量都可以使用相同的整数范围来表示。

2.2 基本色分量范围表

基本色分量范围表如下（注意：下表来自网络实验，可能会有少许误差）：

三、HSV颜色模型的应用

HSV颜色模型在OpenCV中常用于图像的颜色分割、颜色过滤和颜色识别等任务。例如，在提取图像中特定颜色的物体时，可以首先将图像从BGR颜色空间转换到HSV颜色空间，然后根据目标颜色的色调、饱和度和明度范围创建一个掩码（mask），最后通过掩码来提取目标物体。

3.1 示例代码

以下是一个使用OpenCV将BGR图像转换为HSV图像，并提取特定颜色（如绿色）的示例代码：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg')

# 将BGR图像转换为HSV图像
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义绿色的色调、饱和度和明度范围
lower_green = np.array([35, 43, 46])
upper_green = np.array([77, 255, 255])

# 根据颜色范围创建掩码
mask = cv2.inRange(hsv_img, lower_green, upper_green)

# 使用掩码提取绿色部分
result = cv2.bitwise_and(img, img, mask=mask)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('Mask', mask)
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

在上述代码中，我们首先读取一张图像，并将其从BGR颜色空间转换为HSV颜色空间。然后，我们定义了绿色的色调、饱和度和明度范围，并据此创建了一个掩码。最后，我们使用掩码从原图中提取出绿色的部分，并显示结果。

四、结论

HSV颜色模型以其直观性和易用性，在OpenCV的图像处理和颜色分析中发挥着重要作用。通过了解HSV颜色模型及其颜色分量范围，我们可以更加灵活和高效地处理图像中的颜色信息。

书籍推荐

Python和PySpark数据分析（数据科学与大数据技术）

Spark数据处理引擎是一个惊人的分析工厂：输入原始数据，输出洞察。PySpark用基于Python的API封装了Spark的核心引擎。它有助于简化Spark陡峭的学习曲线，并使这个强大的工具可供任何在Python数据生态系统中工作的人使用。

《Python和PySpark数据分析》帮助你使用PySpark解决数据科学的日常挑战。你将学习如何跨多台机器扩展处理能力，同时从任何来源(无论是Hadoop集群、云数据存储还是本地数据文件)获取数据。一旦掌握了基础知识，就可以通过构建机器学习管道，并配合Python、pandas和PySpark代码，探索PySpark的全面多功能特性。

主要内容：

● 组织PySpark代码

● 管理任何规模的数据

● 充满信心地扩展你的数据项目

● 解决常见的数据管道问题

● 创建可靠的长时间运行的任务

京东：https://item.jd.com/14238656.html

当当：https://product.dangdang.com/29643891.html