当前位置：首页 > news >正文

OpenCV(二十一)：HSV与HSL

news 2025/11/7 8:34:16

在图像处理与计算机视觉中，颜色空间（Color Space）的选择对算法效果有着至关重要的影响。RGB 颜色空间虽然直观、常见，但由于其三个通道（红、绿、蓝）与人类对颜色的主观感知差异较大，因此在色彩分割、目标识别、颜色增强等任务中并非最优。为了解决 RGB 与人类视觉特性的不匹配问题，科学家提出了多种感知友好的颜色空间，其中 HSV（Hue-Saturation-Value） 与 HSL（Hue-Saturation-Lightness） 是最常用的两种。

RGB 颜色空间

RGB 模型以三种基色（Red、Green、Blue）的强度来表示颜色，每种颜色分量取值范围一般为 [0, 255] 或归一化为 [0, 1]。例如：

(255, 0, 0)：纯红；
(0, 255, 0)：纯绿；
(0, 0, 255)：纯蓝；
(255, 255, 255)：白色；
(0, 0, 0)：黑色。

RGB 模型的缺点在于：

明暗变化会同时影响三个通道；
人眼对色调（Hue）与亮度（Lightness/Value）的感知并非线性；
颜色分割或跟踪时受光照变化干扰大。

因此需要将颜色分解为更接近人类视觉的形式，即：色调（Hue）、饱和度（Saturation） 与 亮度（Lightness/Value）。

HSV 模型原理

HSV 模型以三维圆锥体表示颜色空间：

Hue（色调）：颜色类型，如红、绿、蓝；在圆周上按角度表示（0°~360°），OpenCV 中缩放到 [0,180]。
Saturation（饱和度）：颜色纯度，表示颜色中灰度成分的多少，范围 [0,1]；
Value（明度）：颜色的亮度强度，对应颜色的“明亮”程度，范围 [0,1]。

在 HSV 模型中：

当 S=0 时，颜色为灰阶；
当 V=0 时，颜色为黑；
Hue 决定了“是什么颜色”，而 S、V 决定了“颜色有多浓、多亮”。

HSV 与 RGB 的转换公式

设 R, G, B ∈ [0,1]，则：

在这里插入图片描述

Hue 计算：

在这里插入图片描述

Saturation：

在这里插入图片描述

Value：

在这里插入图片描述

HSL（或 HLS）模型原理

HSL 模型（Hue, Saturation, Lightness）与 HSV 类似，同样将颜色表示为“色调+饱和度+亮度”的形式，但亮度（L）定义不同，导致视觉表现差异更符合人眼习惯。

HSL 的颜色空间可视为双锥体（上下对称），底部为黑，顶部为白，中间横截面表示饱和颜色。

Hue（色调）：与 HSV 相同；
Saturation（饱和度）：反映颜色纯度；
Lightness（亮度）：反映颜色的明暗程度，0 为黑，1 为白，0.5 为标准亮度。

HSL 与 RGB 的转换公式

同样定义：

在这里插入图片描述

Lightness：

在这里插入图片描述

Saturation：

在这里插入图片描述

Hue： 与 HSV 的 Hue 计算相同。

可见，HSL 的亮度是平均值，而 HSV 的亮度是最大通道值。这一差异使得：

HSV 更适合描述“光照强度”；
HSL 更接近人眼对“明暗”的感知。

HSV 与 HSL 的区别对比

项目	HSV	HSL
英文全称	Hue-Saturation-Value	Hue-Saturation-Lightness
空间形状	圆锥体	双锥体
亮度定义	取 RGB 最大分量	RGB 平均值
饱和度表现	随亮度变化	在中间亮度时最饱和
黑白区间	V=0 黑，V=1 白	L=0 黑，L=1 白
人眼匹配度	一般	更接近人眼感知
常见用途	目标跟踪、颜色分割	图像增强、色彩校正
OpenCV 支持	cv::COLOR_BGR2HSV	cv::COLOR_BGR2HLS

应用对比分析

颜色分割

HSV 模型中，通过固定 Hue 范围即可分离目标色；
HSL 模型中，受亮度影响较小，适合在光照变化大的环境中分割。

目标跟踪

在基于颜色直方图的目标跟踪（如 CamShift、MeanShift）中，HSV 通常优于 RGB。因为在 HSV 空间下，V 通道的变化不影响色调分布。

图像增强与滤波

在图像增强中，通过调节 HSL 的 Lightness 通道可以精确控制亮度变化，而不改变色调。

肤色检测

HSL 模型对光照敏感度低于 HSV，因此在肤色检测中使用 HSL（或 YCrCb）空间更鲁棒。

`cv::COLOR_BGR2HSV` 与 `cv::COLOR_BGR2HLS`

BGR → HSV 转换

import cv2
import numpy as np# 读取图像
img_bgr = cv2.imread('test.jpeg')
if img_bgr is None:raise FileNotFoundError("未找到 test.jpeg,请确保路径正确")# 转换为 HSV
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)# 拆分通道
h, s, v = cv2.split(img_hsv)# 显示结果
cv2.imshow('Original (BGR)', img_bgr)
cv2.imshow('Hue Channel', h)
cv2.imshow('Saturation Channel', s)
cv2.imshow('Value Channel', v)# 保存结果
cv2.imwrite('output_hsv.jpg', img_hsv)
cv2.imwrite('hue.jpg', h)
cv2.imwrite('saturation.jpg', s)
cv2.imwrite('value.jpg', v)cv2.waitKey(0)
cv2.destroyAllWindows()

BGR → HLS 转换

import cv2
import numpy as np# 读取图像
img_bgr = cv2.imread('test.jpg')
if img_bgr is None:raise FileNotFoundError("未找到 test.jpg，请确保路径正确")# 转换为 HLS
img_hls = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HLS)# 拆分通道
h, l, s = cv2.split(img_hls)# 显示结果
cv2.imshow('Original (BGR)', img_bgr)
cv2.imshow('Hue Channel', h)
cv2.imshow('Lightness Channel', l)
cv2.imshow('Saturation Channel', s)# 保存结果
cv2.imwrite('output_hls.jpg', img_hls)
cv2.imwrite('hls_hue.jpg', h)
cv2.imwrite('lightness.jpg', l)
cv2.imwrite('hls_saturation.jpg', s)cv2.waitKey(0)
cv2.destroyAllWindows()