[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!