


[CVHSV vs RVB : comprendre et exploiter le HSV pour le traitement des images
Dans l'article précédent, nous avons exploré les bases du travail avec des images RVB dans OpenCV, y compris le traçage et le réglage de la luminosité et du contraste. Bien que l’espace colorimétrique RVB soit idéal pour les écrans d’ordinateur, car il représente les couleurs en termes d’intensité lumineuse émise par les écrans, il ne correspond pas à la façon dont les humains perçoivent les couleurs dans le monde naturel. C'est là qu'intervient HSV (Teinte, Saturation, Valeur), un espace colorimétrique conçu pour représenter les couleurs d'une manière plus proche de la perception humaine.
Dans cet article, nous allons plonger dans le HSV, comprendre ses composants, explorer ses applications et apprendre quelques astuces intéressantes pour améliorer les images.
Qu’est-ce que le HSV ?
HSV signifie Teinte, Saturation et Valeur :
- Teinte (H) : cela fait référence au type de couleur : rouge, vert, bleu, etc. Bien que traditionnellement mesurée en degrés sur un spectre circulaire (0° à 360°), dans OpenCV, la teinte est mise à l'échelle à 0. –179 pour tenir dans un entier de 8 bits. Voici la cartographie :
- 0 (ou presque) représente toujours le rouge.
- 60–89 correspond au vert.
- 120-149 correspond au bleu.
- 140-179 revient au rouge, complétant le spectre circulaire.
Saturation (S) : Ceci définit l'intensité ou la pureté d'une couleur : Une couleur entièrement saturée ne contient pas de gris et est vibrante, Une couleur moins saturée paraît plus délavée.
Valeur (V) : souvent appelée luminosité, elle mesure la luminosité ou l'obscurité de l'image. En séparant ces composants, HSV facilite l'analyse et la manipulation des images, en particulier pour des tâches telles que la détection ou l'amélioration des couleurs. la couleur.
Pour mieux comprendre cela, le coup de tracé est une bonne présentation de leurs valeurs dans l'espace colorimétrique
Conversion d'une image en HSV dans OpenCV
Convertir une image en HSV dans OpenCV est simple avec la fonction cv2.cvtColor(). Jetons un coup d'oeil :
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()
À première vue, l’intrigue du HSV peut paraître étrange, presque extraterrestre. En effet, votre ordinateur essaie de représenter le HSV sous la forme d'une image RVB, même si les composants du HSV (en particulier la teinte) ne sont pas directement mappés aux valeurs RVB. Par exemple :
- Teinte (H) : Représentée sous forme d'angle, elle va de 0 à 179 en OpenCV (et non de 0 à 255 comme les canaux RVB). Cela fait apparaître le canal Hue principalement bleu dans les tracés basés sur RVB.
Pour les exemples suivants, nous n'utiliserons pas l'image de profil mais une image plus sombre générée avec le modèle de génération d'images Flux ai. car il fournit un meilleur cas d'utilisation du HSV que l'image de profil, car nous pouvons mieux voir son effet
Comprendre le HSV grâce aux histogrammes
Pour mieux comprendre les différences entre RVB et HSV, traçons des histogrammes pour chaque canal. Voici le 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()
À partir des histogrammes, vous pouvez voir en quoi les canaux HSV diffèrent du RVB. Remarquez le canal Teinte en HSV, qui a des valeurs comprises entre 0 et 179, représentant des régions de couleur distinctes, tandis que Saturation et Valeur gèrent l'intensité et la luminosité.
Visualisation de la teinte, de la saturation et de la valeur
Maintenant, divisons l'image HSV en ses composants individuels pour mieux comprendre ce que chaque canal représente :
# 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()
- Teinte : affiche des distinctions de couleurs claires, mettant en évidence les couleurs dominantes de l'image.
- Saturation : les zones plus claires représentent des couleurs vives, tandis que les zones plus sombres indiquent des tons grisâtres plus sourds.
- Valeur : met en évidence la répartition de la luminosité, les zones bien éclairées apparaissant plus lumineuses.
Astuces avec le HSV
1. Amélioration de la luminosité (égalisation de la valeur)
Pour les images avec un éclairage inégal, l'égalisation du canal Valeur peut rendre les zones plus sombres plus visibles tout en donnant un effet « lueur » aux régions plus lumineuses.
# 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. Amélioration des couleurs (égalisation de la saturation)
Amplifier le canal Saturation rend les couleurs de l'image plus distinctes et plus vibrantes.
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. Filtrage des couleurs (rouge isolant)
En utilisant le canal Hue, nous pouvons isoler des couleurs spécifiques. Par exemple, pour extraire les tons rouges :
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()
Cette technique est incroyablement utile pour des tâches telles que la détection d'objets, la segmentation des couleurs ou même les effets artistiques.
Conclusion
L'espace colorimétrique HSV offre un moyen polyvalent et intuitif d'analyser et de manipuler des images. En séparant la couleur (Teinte), l'intensité (Saturation) et la luminosité (Valeur), HSV simplifie les tâches telles que le filtrage, l'amélioration et la segmentation des couleurs. Alors que RVB est idéal pour les écrans, HSV ouvre des possibilités de traitement d'image créatif et analytique.
Quelle est votre astuce préférée avec le HSV ? Partagez vos réflexions ci-dessous et explorons ensemble ce monde vibrant de couleurs !
Cette version intègre un flux fluide, des explications détaillées et une mise en forme cohérente pour améliorer la lisibilité et la compréhension.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Python est plus facile à apprendre et à utiliser, tandis que C est plus puissant mais complexe. 1. La syntaxe Python est concise et adaptée aux débutants. Le typage dynamique et la gestion automatique de la mémoire le rendent facile à utiliser, mais peuvent entraîner des erreurs d'exécution. 2.C fournit des fonctionnalités de contrôle de bas niveau et avancées, adaptées aux applications haute performance, mais a un seuil d'apprentissage élevé et nécessite une gestion manuelle de la mémoire et de la sécurité.

Pour maximiser l'efficacité de l'apprentissage de Python dans un temps limité, vous pouvez utiliser les modules DateTime, Time et Schedule de Python. 1. Le module DateTime est utilisé pour enregistrer et planifier le temps d'apprentissage. 2. Le module de temps aide à définir l'étude et le temps de repos. 3. Le module de planification organise automatiquement des tâches d'apprentissage hebdomadaires.

Python est meilleur que C dans l'efficacité du développement, mais C est plus élevé dans les performances d'exécution. 1. La syntaxe concise de Python et les bibliothèques riches améliorent l'efficacité du développement. Les caractéristiques de type compilation et le contrôle du matériel de CC améliorent les performances d'exécution. Lorsque vous faites un choix, vous devez peser la vitesse de développement et l'efficacité de l'exécution en fonction des besoins du projet.

Python et C ont chacun leurs propres avantages, et le choix doit être basé sur les exigences du projet. 1) Python convient au développement rapide et au traitement des données en raison de sa syntaxe concise et de son typage dynamique. 2) C convient à des performances élevées et à une programmation système en raison de son typage statique et de sa gestion de la mémoire manuelle.

Est-ce suffisant pour apprendre Python pendant deux heures par jour? Cela dépend de vos objectifs et de vos méthodes d'apprentissage. 1) Élaborer un plan d'apprentissage clair, 2) Sélectionnez les ressources et méthodes d'apprentissage appropriées, 3) la pratique et l'examen et la consolidation de la pratique pratique et de l'examen et de la consolidation, et vous pouvez progressivement maîtriser les connaissances de base et les fonctions avancées de Python au cours de cette période.

PythonlistSaReparmentofthestandardLibrary, tandis que les coloccules de colocède, tandis que les colocculations pour la base de la Parlementaire, des coloments de forage polyvalent, tandis que la fonctionnalité de la fonctionnalité nettement adressée.

Python excelle dans l'automatisation, les scripts et la gestion des tâches. 1) Automatisation: La sauvegarde du fichier est réalisée via des bibliothèques standard telles que le système d'exploitation et la fermeture. 2) Écriture de script: utilisez la bibliothèque PSUTIL pour surveiller les ressources système. 3) Gestion des tâches: utilisez la bibliothèque de planification pour planifier les tâches. La facilité d'utilisation de Python et la prise en charge de la bibliothèque riche en font l'outil préféré dans ces domaines.

Les applications clés de Python dans le développement Web incluent l'utilisation des cadres Django et Flask, le développement de l'API, l'analyse et la visualisation des données, l'apprentissage automatique et l'IA et l'optimisation des performances. 1. Framework Django et Flask: Django convient au développement rapide d'applications complexes, et Flask convient aux projets petits ou hautement personnalisés. 2. Développement de l'API: Utilisez Flask ou DjangorestFramework pour construire RestulAPI. 3. Analyse et visualisation des données: utilisez Python pour traiter les données et les afficher via l'interface Web. 4. Apprentissage automatique et AI: Python est utilisé pour créer des applications Web intelligentes. 5. Optimisation des performances: optimisée par la programmation, la mise en cache et le code asynchrones
