机器视觉中图像前置知识颜色模型的分类与应用

描述

首先什么是机器视觉?计算机视觉就是让计算机去理解获取数字图像与视频中的信息。最终实现一个与人类视觉系统实现相同功能的自动化系统。

什么是机器视觉中的图像的前置知识——颜色模型?最为常用的颜色模型,分别是RGB颜色模型和HSV颜色模型,这两种模型之间是可以通过数学公式进行相互转换的。

RGB颜色模型(也叫红、绿、蓝三原色模型或者加色混色模型):将红、绿、蓝3种不同颜色,根据亮度配比的不同进行混合(3种颜色的定量配比),从而表现出不同的颜色。通过3种最基本颜色的混合叠加来表现出任意的一种颜色的方法,特别适用于显示器等主动发光的显示设备。RGB颜色的展现依赖于设备的颜色空间,这也就使得我们感觉有些手机屏幕颜色特别逼真、绚丽,而另一些就令人失望。

图像

RGB颜色模型的空间结构

上图展示了RGB颜色模型的空间结构,这是一个立方体结构,在该几何空间中,3个坐标轴分别代表了红red绿green蓝blue3种颜色。从理论上讲,任何一种颜色都包含在该立方体结构中。

我们平时用得最多的RGB颜色展示模式也就是24比特展示的。有种方法分别将红、绿、蓝3种颜色使用8比特无符号整数来表示,如#FFFFFF代表纯白色,#FF0000代表正红色-十六进制对24比特展示模式的一种表示方法。也可以使用(255,0,0)这样一个元组表示正红色。因为红色和绿色两种颜色叠加产生黄色,所以黄色为(255,255,0)。

HSV颜色模型:这是一种采用色调(H)、饱和度(S)、明度(V)3个参数来表示颜色的一种方式。

色调(Hue):以角度的形式进行度量,其取值角度范围是[0,360]。红色、绿色、蓝色3种颜色以逆时针方向进行排列。例如红色的位置为0°,绿色为120°,蓝色的位置为240°。

饱和度(Saturation):以百分比0~100%来表示,该数值越高,饱和度越高,光谱颜色的成分越多。饱和度反映了某种颜色接近光谱色的程度。颜色是由光谱颜色与白色光的混合结果。如果某种颜色中白色的成分越少,则这种颜色越接近光谱色,颜色暗且鲜艳,此时饱和度更高。

明度(Value):百分比的形式来表示某种颜色的明度,明度值越高越明亮。明度表现了某种颜色的明亮程度,可以认为是一种由光线强弱产生的视觉体验。如深紫色和桃红色两种颜色进行对比,深紫色的颜色更加晦暗,而桃红色更加明亮,则认为桃红色的明度要比深紫色的高。

图像

HSV颜色模型的空间结构

什么是机器视觉中的图像的灰度图像?没有包含其他五颜六色的信息,但是仍能够从中获取到图像的轮廓、纹理、形状等特征的图片。由于灰度图片的结构更为简单,同时关键信息又不大会损失,这样就可以极大地减少机器计算量。

那什么是灰度?黑色的程度也是可以量化的,介于黑色和白色之间的颜色就是灰色,那么直接量化的就是灰色的程度,这个程度就是灰度。一般的量化方法是将纯白色作为255,纯黑色作为0,在这个区间中,使用对数的方法划分具体数值进行量化。

一个形象的灰度比喻:假如用0代表纯黑色表示黑种人中最黑的,255代表纯白色表示白种人中最白的,那么我们黄种人中有的长得白一点的女生,她的肤色值就可以是153,有的长得黑一点的女生,肤色值就可以是51。灰度值越大表示越亮。

灰度图像

什么是机器视觉中的图像的二值图像?二值图像顾名思义只有纯黑色和纯白色两种颜色,没有中间过渡的灰色。二值图像会缺少细节部分,只能显示出图片的大致轮廓。这在图像的分割等场景中具有很好的利用价值。

二值图像

什么是机器视觉中的信号与噪声?图像也是一种数据,图像中也存在信号和噪声。信号是图像中我们想要的数据,噪声是图像中我们不想要的数据。

什么是机器视觉中的信噪比?信噪比就是指信号与噪声二者能量之比值。直观来讲,噪声越少,信噪比越大,数据的质量越佳。

受到噪声干扰的图像a)与未经噪声干扰的图像b)

经过噪声干扰的图像令我们难以获取图片所要表达的原始信息,使得图像所表达信息的确定程度减少。

什么是机器视觉中的椒盐噪声和高斯噪声?图像中随机出现的黑白杂点,黑白杂点在图片中出现位置是随机分布的叫椒盐噪声,“椒”代表黑色,“盐”代表白色。黑白杂点的出现导致某些颜色的改变,且噪声概率密度服从高斯分布(正态分布的)叫高斯噪声。

什么是是机器视觉中的图像滤波?图像滤波就是滤除图像中的噪声(黑白杂点)。图像滤波是对图像进行预处理的一个重要步骤。常见的滤除噪声的方法有均值滤波和中值滤波,因为概念中数学成分太多,小咖就不多做解释了。

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分