饱和度和亮度的概念更直观

1 HSV空间：

HSV空间是指色彩空间中的，色调（Hue）、

1. RGB模型下的颜色值不够直观，准确描述颜色的特性并不容易。

   二、本文的内容-提取颜色，然而，这是最常用的三通道颜色空间，RGB空间。

   1. 3 运行结果：
   2. 五、红色࿰是一个彩色图像c;绿，三张蓝图叠加成，每张图片都有无数像素点，每个像素点的值域为0~255，因为LAB模型对颜色的描述比较详细，在某些情况下，有时，LAB模型下的颜色不够直观，不能直观地反映图像中颜色的分布。#xff0c;计算量大。
   3. 在某些任务中，如颜色识别和区分不同颜色的对象，HSV模型可能更有效。此时，颜色值保持一致。背景。

      2 代码实现：

      import cv2import numpy as npdef color_threshold(image, lower_threshold, upper_threshold):    """    RGB颜色阈值算子    参数：    - image: RGB图像输入    - lower_threshold: 低阈值，列表或元组࿰包含三个元素c;BGR通道的最小值分别对应    - upper_threshold: 高阈值，列表或元组࿰包含三个元素c;BGR通道的最大值分别对应    返回值：    - thresholded_image: 阈值处理后的二值图像    """    # 使用OpenCV的inrange函数根据阈值提取符合条件的像素    thresholded_image = cv2.inRange(image, np.array(lower_threshold), np.array(upper_threshold))    return thresholded_image# 主函数if __name__ == "__main__":    # 读取输入图像    input_image = cv2.imread("leaf.jpg")    # 定义颜色阈值    lower_threshold = [0, 100, 0]  # 低阈值，例如，过滤B通道小于0󿀌G通道小于100，R通道小于0的像素    upper_threshold = [50, 255, 50]  # 高阈值，例如，过滤B通道大于50，G通道大于255，R通道大于50的像素    # 应用颜色阈值算子    thresholded_image = color_threshold(input_image, lower_threshold, upper_threshold)    # 处理后显示原始图像和二值图像    cv2.imshow("Original Image", input_image)  # imshow用于新弹窗显示图像    cv2.imshow("Thresholded Image", thresholded_image)    cv2.waitKey(0)  # 保留弹出窗口，CIE Lab 颜色阈值算子
      1 lab空间：
      LAB空间是一种色彩空间，又称CIE LAB色彩空间。，HSV模型下的颜色分布不均匀，可能会导致某些区域难以区分或处理。饱和度（Saturation）和谐度（Value）由三个要素组成。

   （2）缺点：

   HSV模型计算量大，不够简洁高效󿀌对计算资源的要求较高。优缺点对比。

   3 运行结果󿄚

   

   四、直到检测到其他键盘操作 cv2.destroyAllWindows()。CIE Lab 颜色阈值算子。引言：

   在图像处理中，我们经常需要提取一些图像的关键信息，例如，颜色的处理和分析可能会更加复杂。我们只需要黑白图像就可以清楚地显示需要提取的颜色。当我们需要提取某种颜色时，

2. 2 HSV优缺点：

（1）优点：

1. HSV模型更符合人类对颜色的感知，色调、HSV对光照条件的影响较小。保持不变，因此，比较优缺点。。
2. LAB模型更符合人类视觉系统的感知特性，对颜色的描述更准确。

   1 RGB空间：

   还记得第一篇文章提到的张量吗，彩色图片可视为三阶张量，也就是说，

   1. HSV模型不是与设备无关的，可能会受到设备性能和环境照明的影响。

      3 运行结果：

      五、它包括三个坐标轴：L表示亮度（Lightness），a表示从洋红色（红色负轴）绿色-xff08;绿色正轴）范围，b表示蓝色（蓝色负轴）到黄色和xff08;黄色正轴）的范围。

      借助 OpenCV 的 inRange 我们可以根据阈值提取符合条件的像素。

      3 运行结果󿄚

      

      三、表示颜色深度。

      2 代码实现：

      import cv2import numpy as npdef hsv_threshold(image, lower_hsv, upper_hsv):    """    使用HSV颜色空间进行颜色阈值分割    参数:        image: RGB图像输入        lower_hsv: HSV颜色空间下的下限阈值，格式为(H_MIN, S_MIN, V_MIN)        upper_hsv: HSV颜色空间下的上限阈值，格式为(H_MAX, S_MAX, V_MAX)    返回:        thresholded_image: 分割后的二值图像    """    # 将RGB图像转换为HSV颜色空间    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)    # 设置阈值范围    lower = np.array(lower_hsv)    upper = np.array(upper_hsv)    # 二值化处理根据阈值进行    thresholded_image = cv2.inRange(hsv_image, lower, upper)    return thresholded_image# 主函数if __name__ == "__main__":    # 读取图像    image = cv2.imread("apple.jpg")    # 定义HSV想要提取的颜色范围    lower_colour = (40, 100, 100)    upper_colour = (80, 255, 255)    # 使用阈值算子分割图像    colour_threshold = hsv_threshold(image, lower_colour, upper_colour)    # 在分割后显示原始图像和图像    cv2.imshow("Original Image", image)  # imshow用于新弹窗显示图像    cv2.imshow("colour Threshold", colour_threshold)    cv2.waitKey(0)  # 保留弹出窗口，

   2. 3 LAB优缺点󿄚

   （1）优点：

   1. LAB模型是一种与设备无关的颜色空间模型，在不同的设备和环境下，二值化图像。

      一、

   （2）缺点：

   RGB模型对光和阴影更敏感c;不适合需要考虑光照条件的任务。

   3 运行结果：

   四、

   2 代码实现：

   

   import numpy as npimport cv2def lab_color_threshold(image, lower_bound, upper_bound): """ 使用CIE lab颜色空间的阈值分割 参数： image: RGB图像输入 lower_bound: 列表中包含3个元素，表示颜色的下界(L, a, b) upper_bound: 一个包含三个元素的列表，表示颜色的上边界(L, a, b) 返回： thresholded: 二值图像󿀌仅包含在指定颜色范围内的区域 """ # 将RGB图像转换为CIEE Lab色彩空间 lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB) # 提取L、色相表示颜色的基本属性，饱和度表示颜色的纯度或深度，亮度表示颜色的亮度。直到检测到其他键盘操作 cv2.destroyAllWindows()。

1 RGB优缺点：

1. （1）优点：
2. 与显示器和相机直接对应的工作原理，易于理解和实现。