[CVHSV vs. RGB: HSV für die Bildverarbeitung verstehen und nutzen

Im vorherigen Beitrag haben wir die Grundlagen der Arbeit mit RGB-Bildern in OpenCV untersucht, einschließlich des Plottens und Anpassens von Helligkeit und Kontrast. Während der RGB-Farbraum ideal für Computerdisplays ist, da er Farben anhand der von Bildschirmen ausgestrahlten Lichtintensität darstellt, stimmt er nicht mit der Art und Weise überein, wie Menschen Farben in der natürlichen Welt wahrnehmen. Hier kommt HSV (Hue, Saturation, Value) ins Spiel – ein Farbraum, der Farben auf eine Art und Weise darstellen soll, die der menschlichen Wahrnehmung näher kommt.
In diesem Beitrag tauchen wir in HSV ein, verstehen seine Komponenten, erkunden seine Anwendungen und lernen einige coole Tricks zum Verbessern von Bildern.

Was ist HSV?

HSV steht für Farbton, Sättigung und Wert:

• Farbton (H): Dies bezieht sich auf die Art der Farbe – Rot, Grün, Blau usw. Während der Farbton traditionell in Grad auf einem kreisförmigen Spektrum (0°–360°) gemessen wird, wird er in OpenCV auf 0 skaliert –179, um in eine 8-Bit-Ganzzahl zu passen. Hier ist die Zuordnung:

• 0 (oder nahe daran) steht immer noch für Rot.
• 60–89 entspricht Grün.
• 120–149 entspricht Blau.
• 140–179 wird wieder rot und vervollständigt das kreisförmige Spektrum.

• Sättigung (S): Dies definiert die Intensität oder Reinheit einer Farbe: Eine vollständig gesättigte Farbe enthält kein Grau und ist lebendig. Eine weniger gesättigte Farbe erscheint verwaschener.

• Wert (V): Wird oft als Helligkeit bezeichnet und misst die Helligkeit oder Dunkelheit von. Durch die Trennung dieser Komponenten erleichtert HSV die Analyse und Bearbeitung von Bildern, insbesondere für Aufgaben wie Farberkennung oder -verbesserung. die Farbe.

Um dies besser zu verstehen, ist der Plot Blow eine gute Darstellung der Werte im Farbraum

Konvertieren eines Bildes in HSV in OpenCV

Das Konvertieren eines Bilds in HSV in OpenCV ist mit der Funktion cv2.cvtColor() ganz einfach. Werfen wir einen Blick darauf:

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()

Auf den ersten Blick könnte die HSV-Handlung seltsam wirken – fast schon fremdartig. Das liegt daran, dass Ihr Computer versucht, HSV als RGB-Bild darzustellen, obwohl die Komponenten von HSV (insbesondere Farbton) nicht direkt RGB-Werten zugeordnet sind. Zum Beispiel:

• Farbton (H): Wird als Winkel dargestellt und reicht in OpenCV von 0 bis 179 (nicht 0 bis 255 wie RGB-Kanäle). Dies führt dazu, dass der Farbtonkanal in RGB-basierten Diagrammen überwiegend blau erscheint.

Für die nächsten folgenden Beispiele verwenden wir nicht das Profilbild, sondern ein dunkleres Bild, das mit dem Flux AI Image Gen-Modell generiert wurde. da es einen besseren Benutzerfall von HSV bietet als das Profilbild, da wir seine Wirkung besser sehen können

HSV anhand von Histogrammen verstehen

Um die Unterschiede zwischen RGB und HSV besser zu verstehen, zeichnen wir Histogramme für jeden Kanal. Hier ist der Code:

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()

Anhand der Histogramme können Sie sehen, wie sich die HSV-Kanäle von RGB unterscheiden. Beachten Sie den Farbtonkanal in HSV, der Werte zwischen 0 und 179 hat, die unterschiedliche Farbbereiche darstellen, während Sättigung und Wert Intensität und Helligkeit verwalten.

Visualisierung von Farbton, Sättigung und Wert

Lassen Sie uns nun das HSV-Image in seine einzelnen Komponenten zerlegen, um besser zu verstehen, was jeder Kanal darstellt:

# 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()

• Farbton: Zeigt klare Farbunterscheidungen an und hebt die dominanten Farben im Bild hervor.
• Sättigung: Hellere Bereiche stehen für lebendige Farben, während dunklere Bereiche für gedämpftere Grautöne stehen.
• Wert: Hebt die Helligkeitsverteilung hervor, wobei gut beleuchtete Bereiche heller erscheinen.

Tricks mit dem HSV

1. Helligkeitsverbesserung (Wertausgleich)

Bei Bildern mit ungleichmäßiger Beleuchtung kann der Ausgleich des Value-Kanals dazu führen, dass dunklere Bereiche besser sichtbar werden, während hellere Bereiche einen „Leuchteffekt“ erhalten.

# Plot the individual 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()

2. Farbverbesserung (Sättigungsausgleich)

Durch die Verstärkung des Sättigungskanals werden die Farben im Bild deutlicher und lebendiger.

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()

3. Farbfilterung (Rot isolieren)

Mithilfe des Hue-Kanals können wir bestimmte Farben isolieren. Um beispielsweise Rottöne zu extrahieren:

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()

Diese Technik ist unglaublich nützlich für Aufgaben wie Objekterkennung, Farbsegmentierung oder sogar künstlerische Effekte.

Abschluss

Der HSV-Farbraum bietet eine vielseitige und intuitive Möglichkeit, Bilder zu analysieren und zu bearbeiten. Durch die Trennung von Farbe (Farbton), Intensität (Sättigung) und Helligkeit (Wert) vereinfacht HSV Aufgaben wie Farbfilterung, -verbesserung und -segmentierung. Während RGB ideal für Displays ist, eröffnet HSV Möglichkeiten für die kreative und analytische Bildverarbeitung.

Was ist dein Lieblingstrick beim HSV? Teilen Sie unten Ihre Gedanken mit und lassen Sie uns gemeinsam diese lebendige Welt der Farben erkunden!

Diese Version verfügt über einen reibungslosen Ablauf, detaillierte Erklärungen und eine konsistente Formatierung, um die Lesbarkeit und das Verständnis zu verbessern.

Das obige ist der detaillierte Inhalt von[CVHSV vs. RGB: HSV für die Bildverarbeitung verstehen und nutzen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!