[发明专利]一种新型HSV空间模型的构建方法

说明书

本发明属于模式识别领域，具体的说是一种新型HSV空间模型的构建方法，使其能够有效地实现图像RGB空间与新型HSV空间的转换，具体包括步骤一、通过图像采集，获得图像RGB空间；步骤二、求取图像RGB空间转换到新型HSV空间的模型；步骤三：求取步骤二中得到的图像新型HSV空间转换为RGB空间的模型。本发明充分考虑了图像的RGB空间和HSV空间之间的关系，对原始HSV空间进行改进，实现彩色图像在RGB空间与新型HSV空间的相互转换。

技术领域

本发明属于模式识别领域，具体的说是一种新型HSV空间模型的构建方法，使其能够有效地实现图像RGB空间与新型HSV空间的转换。

背景技术

日常可见到的彩色图像大都以RGB颜色空间进行编码。RGB颜色空间以红R(Red)、绿G(Green)、蓝B(Blue)三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式。但在科学研究一般不采用RGB颜色空间，因为它将色调，亮度，饱和度三个量放在一起表示，很难分开。所以，RGB颜色空间适合于显示系统，却并不适合于图像处理。

HSV(Hue,Saturation,Value)颜色空间模型用H、S、V描述颜色特性，其中H定义颜色的频率，称为色调；S表示颜色的深浅程度，称为饱和度；V表示光照强度或明度。它比RGB更接近人们对彩色的感知经验。非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。因此在图像处理中使用较多的是HSV空间。

新型HSV空间模型是一种有效实现图像RGB空间转换为HSV空间的技术，采用圆形投影面，通过直接投影计算色调、饱和度和明度，具有原理易于理解，饱和度更小的特点，本方法可以显著提升高饱和度弱光照图像增强的效果。

一直以来，弱光照图像增强是模式识别领域的一个重要课题，科研人员提出并发展了许多有显著意义和应用价值的方法。按其技术特点可以分为两类：基于数据驱动的方法和基于模型驱动的方法。基于数据驱动的方法使用大规模图像训练深度神经网络，使得深度神经网络能够产生弱光照图像的正常光照图像，基于数据驱动的方法要求高质量的大量训练图像，在实际应用中往往难以获得。基于模型驱动的方法，将图像RGB空间转换到HSV空间，针对光照通道V增强，然后将处理后的HSV空间图像转换到RGB空间，具有较好增强效果。新型HSV空间模型，具有较小的饱和度。

发明内容

本发明的目的是提供一种新型HSV空间模型的构建方法，使其能够有效地实现图像RGB空间与图像新型HSV空间的转换，本发明不同于原始HSV空间模型，提出了一种直接、有效的新型HSV空间模型。

本发明采用的具体技术方案如下：

一种新型HSV空间模型的构建方法，具体包括以下步骤：

步骤一：通过图像采集，获得图像RGB空间。R表示图像RGB空间的红色(Red)通道、G表示图像RGB空间的绿色(Green)通道、B表示图像RGB空间的蓝色(Blue)通道。{r、g、b}表示图像RGB空间的任意一个彩色点，其中r表示该彩色点的红色分量值，g表示该彩色点的绿色分量值，b表示该彩色点的蓝色分量值。图像RGB空间的R通道由该图像所有彩色点的r分量值构成，图像RGB空间的G通道由该图像所有彩色点的g分量值构成，图像RGB空间的B通道由该图像所有彩色点的b分量值构成。

步骤二：求取图像RGB空间转换到新型HSV空间的模型。H表示图像新型HSV空间的色调(Hue)通道、S表示图像新型HSV空间的饱和度(Saturation)通道、V表示图像新型HSV空间的明度(Value)通道。{h、s、v}表示图像新型HSV空间任意一个彩色点，其中h表示该彩色点的色调分量值，s表示该彩色点的饱和度分量值，v表示该彩色点的明度分量值。图像新型HSV空间的H通道由该图像所有彩色点的h分量值构成，图像新型HSV空间的S通道由该图像所有彩色点的s分量值构成，图像新型HSV空间的V通道由该图像所有彩色点的v分量值构成。

具体流程如下：