HSV颜色空间实战:用Python+OpenCV玩转色彩分割与提取(附完整代码)

【Python 之HSV颜色识别】 汽车自动驾驶,需要颜色识别,如黄色/红色车道线,蓝色车牌。本文从HSV颜色模型出发,提供一种识别黄色车道线的方法供参考。本文仅简单介绍了OpenCV中HSV在颜色识别的使用, 实际应用中会有边缘毛刺等,要结合中值滤波预处理;同时需要大量模型数据统计,进行色彩阈值微调,才能满足色彩识别需求。 阅读详情

HSV颜色空间实战:Python+OpenCV色彩分割与提取完全指南

在计算机视觉和图像处理领域,色彩空间转换是一项基础而关键的技术。HSV(Hue-Saturation-Value)颜色模型因其直观性和对光照变化的鲁棒性,成为许多视觉任务的理想选择。本文将深入探讨HSV颜色空间的原理,并通过Python和OpenCV展示如何利用HSV进行高效的颜色分割与提取。

1. HSV颜色空间基础解析

HSV颜色模型由A. R. Smith于1978年提出,它采用三个分量来描述颜色:

  • 色相(Hue):表示颜色的基本属性,取值范围0°-360°,红色为0°,绿色120°,蓝色240°
  • 饱和度(Saturation):表示颜色的纯度,0%为灰度,100%为完全饱和
  • 明度(Value):表示颜色的亮度,0%为黑色,100%为最大亮度

与RGB模型相比,HSV更接近人类感知颜色的方式。在OpenCV中,HSV的取值范围略有调整:

分量 常规范围 OpenCV范围
H 0-360° 0-180
S 0-100% 0-255
V 0-100% 0-255

这种调整是因为OpenCV使用8位无符号整数存储每个通道,H通道被压缩到0-180以适配单字节存储。

import cv2
import numpy as np

# RGB到HSV转换示例
rgb_color = np.uint8([[[0, 255, 0]]])  # 纯绿色
hsv_color = cv2.cvtColor(rgb_color, cv2.COLOR_RGB2HSV)
print(f"HSV值: {hsv_color}")  # 输出: [[[ 60 255 255]]]

2. 实战:颜色阈值分割技术

颜色分割是HSV最典型的应用之一。通过设定HSV各通道的阈值范围,我们可以精确提取特定颜色的区域。

2.1 基础颜色分割流程

def color_segmentation(image, lower_hsv, upper_hsv):
    """HSV颜色分割函数"""
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv, lower_hsv, upper_hsv)
    result = cv2.bitwise_and(image, image, mask=mask)
    return result

# 示例:提取红色区域
image = cv2.imread('sample.jpg')
lower_red = np.array([0, 100, 100])    # H:0-10
upper_red = np.array([10, 255, 255])
red_objects = color_segmentation(image, lower_red, upper_red)

常见颜色的HSV阈值范围参考:

颜色 H范围 S范围 V范围
红色 0-10,160-180 >100 >100
绿色 35-85 >100 >50
蓝色 100-140 >100 >50
黄色 20-35 >100 >100

注意:实际应用中需要根据具体光照条件调整阈值,建议使用滑动条动态调试

2.2 动态阈值调试工具

为了方便调试,我们可以创建一个带滑动条的交互式窗口:

def nothing(x):
    pass

cv2.namedWindow('HSV Threshold')
cv2.createTrackbar('H Min', 'HSV Threshold', 0, 179, nothing)
cv2.createTrackbar('H Max', 'HSV Threshold', 179, 179, nothing)
cv2.createTrackbar('S Min', 'HSV Threshold', 0, 255, nothing)
cv2.createTrackbar('S Max', 'HSV Threshold', 255, 255, nothing)
cv2.createTrackbar('V Min', 'HSV Threshold', 0, 255, nothing)
cv2.createTrackbar('V Max', 'HSV Threshold', 255, 255, nothing)

while True:
    h_min = cv2.getTrackbarPos('H Min', 'HSV Threshold')
    h_max = cv2.getTrackbarPos('H Max', 'HSV T
基于hsv的图像分割与裁剪 原图: 1. RGB转化为HSV cvtColor(srcImage, hsv, CV_BGR2HSV); 2. 得到红色区域掩膜 //设置HSV色彩空间各个分量的范围,Hue:色调,Saturation:饱和度,Value:明度 double low_H = 0; //156 double low_S = 43; double low_V = 46; double high... 阅读详情

相关推荐

基于HSV空间色彩的图像分割方法(含python代码实现)

基于HSV空间色彩的图像分割方法(代码实现)

weixin_44883789的博客 2755

Python+OpenCV实战:用HSV颜色空间分割红色物体(附完整代码)

本文详细介绍了如何利用Python和OpenCV,在HSV颜色空间中进行红色物体的精准分割。通过对比RGB与HSV模型的优劣,文章提供了完整的代码实现,包括颜色空间转换、双阈值设定、形态学优化及轮廓分析,有效解决了光照变化下的颜色识别难题,并附有实战代码。

weixin_29091837的博客 371

关于HSV了解这些就够了,python-opencv获取图片精确hsv的值

有时候想要获得一幅图片里面 某个物体的精确的hsv的值,需要怎么做呢?

m0_58859743的博客 4230

Python图片读写方式之OpenCV 色彩模式转换

一、前置知识 (一)图像像素存储形式 1.灰度图 对于只有黑白颜色的灰度图,为单通道,一个像素块对应矩阵中一个数字,数值为0到255, 其中0表示最暗(黑色) ,255表示最亮(白色)。 2.彩色图 对于任何一张彩色图片,有三个主通道–RGB(红绿蓝)。按不同比例相加,一个像素块对应矩阵中的一个向量, 如[24,180, 50],分别表示三种颜色的比列, 即对应深度上的数字。图片的大小为(height,width,3)。 注:opencv采用BGR模式,而不是RGB。 (二)色彩模式 1.RGB RGB

weixin_46886030的博客 2473

OpenCV颜色分割实战:从HSV原理到工业级应用

图像分割是计算机视觉的基础任务,旨在将图像划分为具有相似属性的区域。基于颜色的分割因其直观性和高效性,成为众多应用的首选方法。其核心原理在于将图像从RGB转换到更适合颜色分析的HSV等颜色空间,通过设定阈值分离目标颜色区域。这项技术的工程价值在于计算量小、实现简单,特别适合实时系统和资源受限场景。在工业自动化、智能交通、医疗影像预处理等领域,颜色分割常作为高效的初步筛选工具。本文聚焦OpenCV与Python实现,深入解析HSV颜色空间特性,并通过乐高积木提取、皮肤区域检测、交通标志识别等实战案例,详解阈值

weixin_33755649的博客 392

【OpenCV实战】基于HSV的颜色分割Python实现(含Python代码)

一周没有更新博客了,这一周的时间内加强了对机器学习和图像处理的学习。学的有点混乱,有必要记录一下。 深度学习可以解决很多问题,但有时候深度学习和图像处理相结合才能有更好的效果:比如,在进行交通信号灯检测时,用目标检测模型确定信号灯位置后,对信号灯进行颜色分割再识别可大大提高准确率。 机器学习领域中有句话:数据和特征决定了模型的上限,而算法只不过是逼近这个上限而已,所以了解机器学习的常用算法,熟悉机器学习中的特征工程是很有必要的。 【OpenCV实战】基于HSV的颜色分割实现(含Python代码)1、什么是H

qq_40784418的博客 1万+

OpenCV-Python实战(6)——OpenCV中的色彩空间和色彩映射

为了更好的表示色彩,人们建立了多种色彩模型以一维、二维、三维等坐标系来描述不同色彩,这种坐标系所能定义的色彩范围即色彩空间;而色彩映射是将图像在一个色彩空间映射至另一色彩空间的操作,通常可以将灰度图像着色为等效的伪色彩图像。本文将介绍OpenCV中的色彩空间和色彩映射,并进行实战以应用。

盼小辉丶的博客 3万+

Python图像处理:HSV颜色空间提取教程

颜色空间,或称色彩空间,是一个用于指定颜色的数学模型。它定义了一系列颜色的参数,以此来描述颜色。在数字图像处理中,颜色空间是将颜色信息转换为可以在计算机上表示和处理的数值形式的重要基础。颜色空间的分类可以从多个角度进行,常见的有:基于人类视觉系统的模型:例如HSV,HSL(色相、饱和度、亮度)等,这些模型更接近人类感知颜色的方式。基于物理特性的模型:例如CMYK(青、品红、黄、黑),这些通常用于打印和色彩管理领域。基于设备的模型。

weixin_32389853的博客 1080

群晖NAS实战:Python项目部署全流程解析

本文详细解析了在群晖NAS上部署Python项目的完整流程。从开启SSH、选择连接工具,到通过套件中心一键安装Python3、配置pip及国内镜像源,再到上传项目、安装依赖、后台运行及排错,提供了清晰的避坑指南。旨在帮助用户将群晖NAS从存储设备转变为可执行自定义任务的智能服务器,实现自动化脚本、数据监控等应用。

weixin_29057163的博客 594

Android AI Agent集成实战:架构设计与自动化技能开发

AI Agent(人工智能代理)是一种能够感知环境、自主规划并执行任务以达成目标的软件实体。其核心原理在于结合大语言模型的推理能力与工具调用(Tool Calling)技术,使应用从被动响应转向主动服务。在移动开发领域,这项技术的价值在于为应用注入“智能大脑”,实现跨应用自动化与个性化交互,从而显著提升用户体验和操作效率。具体到Android平台,其应用场景广泛,例如自动填写表单、智能聊天辅助、个性化工作流优化等。本文聚焦于Android AI Agent的工程化落地,深入探讨了如何利用Accessibil

weixin_42636895的博客 667

MLC-LLM框架在安卓设备上的模型编译与部署全流程解析

本文详细解析了如何利用MLC-LLM框架在安卓设备上编译与部署大语言模型。从环境搭建、模型获取与量化编译,到最终的安卓应用打包与调试,提供了完整的实战流程。重点介绍了如何通过MLC-LLM将大型模型优化为适合移动端运行的格式,实现本地、低延迟、隐私安全的AI应用部署。

weixin_29251337的博客 475

SpringBoot 中 @RequestMapping 及衍生注解的全面解析与实践

本文全面解析Spring Boot中@RequestMapping及其衍生注解的使用,涵盖核心功能、HTTP方法特定注解(@GetMapping/@PostMapping等)、属性详解(路径/参数/头信息等)以及路径变量处理。文章详细介绍了注解的组合使用、继承特性、版本控制策略等高级应用,并针对405/404等常见错误提供解决方案。通过学习这些注解的规范用法,开发者能够构建符合RESTful风格的API接口,提升代码可读性和可维护性。建议优先使用HTTP方法特定注解,合理规划URL结构,并注意避免路径冲突。

Java&AI小吕布的博客 2038

Python爬虫实战:使用最新技术抓取百度贴吧帖子内容

本文详细介绍了使用Python最新技术抓取百度贴吧帖子的完整流程。通过库,我们实现了高效的异步爬虫,具备JavaScript渲染、智能反爬应对、数据持久化等高级功能。这个爬虫框架具有良好的扩展性,可以根据具体需求进行功能增强。

2201_76125261的博客 779

数仓建模—维度建模之维度表

首先要学会识别维度,维度是相对稳定的、可抽象具有共性的、固有的(天然的)描述度量或事实的上下文属性信息,失去维度信息的度量信息是没有意义的或者说是失去维度信息的事实表是没有意义的。其次要掌握维度表的设计原则和设计流程,从而更加科学的设计维度表,其实这些东西都是术,我们一直都说一句话大道至简,其实如果你掌握了精髓,抛开这些术也可以做到得心应手,这就像张无忌练太极剑一样,忘记了才能达到道的境界,也就是无我,如果做不到就记住这些原则加以应用从而达到术的境界。

2401_84052244的博客 4364

YOLO26 改进 | (教师:YOLOv8L,学生:YOLO26) | 知识蒸馏 (Knowledge Distillation)

本文介绍了基于YOLO26框架的知识蒸馏实战方法,通过教师模型指导学生模型训练,在不增加推理成本的情况下提升模型精度。文章详细阐述了基于响应的知识蒸馏实现方案,通过最小化教师与学生模型预测Logits间的KL散度实现知识迁移。核心实现包括:1) 创建DistillationModel包装器类,同时运行师生模型;2) 自定义DistillationLoss,在原检测损失基础上增加KL散度损失。该方法适用于希望保持YOLO26轻量级特性同时获得接近大模型精度的场景,文中提供了完整的代码实现方案。

weixin_51988935的博客 510

全局–局部傅里叶神经算子(GL-FNO):原理、严格推导与 PINN 混合策略

本文提出了一种全局-局部傅里叶神经算子(GL-FNO)及其与物理信息神经网络(PINN)的结合方法。主要内容包括: 架构设计:GL-FNO包含两个分支 - 全局分支处理低频结构,使用下采样输入;局部分支处理高频细节,使用全分辨率输入。两分支通过自适应门控机制融合。 理论分析:证明了GL-FNO在"低频全局+高频局部"任务上的优势,给出了误差分解和复杂度分析,并推导了与PINN结合时的渐进一致性条件。 实现方法:采用频谱微分计算物理残差,推导了完整的训练流程,包括数据损失与物理损失的联合优

VectorShift的博客 1334

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: Micro-Cap元件库导入全攻略:从供应商SPICE模型到实战避坑指南
下一篇: 非线性系统稳定性分析:Lyapunov函数构造的3种实战方法(附MATLAB代码)
寂静夜空35
博客等级 码龄3年 60粉丝 1797原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值