图像处理101第1.2章：颜色模型
什么是颜色模型？
颜色模型是一种用数字描述和表示颜色的数学方法——通常是像 RGB 这样的三元组（三个值：红、绿、蓝）或像 CMYK 这样的四元组（四个值：青、洋红、黄、黑）。这些值定义了坐标系中的位置，帮助我们以数字方式编码颜色信息。
对于给定的颜色模型，为了将一个三元组或四元组解释为一种颜色，我们可以定义一组用于精确校准和生成颜色的规则和定义，即映射函数。颜色空间标识了颜色模型和映射函数的特定组合。识别颜色空间也就自动识别了相关的颜色模型。例如，Adobe RGB 和 sRGB 是两个不同的颜色空间，它们都基于 RGB 颜色模型。
常见的颜色模型
RGB（红、绿、蓝）
RGB 颜色模型存储红色、绿色和蓝色的各自值。它是一个加色模型。基于 RGB 颜色模型的色彩空间将三原色相加，从而创建从纯白到纯黑的各种颜色。
RGB 颜色空间与设备相关，因此不同的扫描仪扫描同一幅图像时，会得到不同的彩色图像数据；不同的显示器渲染同一幅图像时，也会有不同的色彩显示效果。
使用 RGB 模型进行色彩校正和增强 - RGB 中的基本色彩平衡和对比度调整
这是一张在阴影下拍摄的照片，带有强烈的蓝色调。为了平衡色彩，我们稍微增加了红色和绿色通道来平衡蓝色，并使用通道曲线调整了对比度。
HSV /HSB（色调、饱和度、值/亮度）
HSV（色相、饱和度、明度），也称为 HSB（色相、饱和度、亮度），经常被艺术家使用，因为用色相和饱和度来思考颜色比用加法或减法颜色成分来思考颜色更自然。
该系统比 RGB 更贴近人们对色彩的体验和感知。例如，在绘画术语中，色相、饱和度和明度是用颜色、明暗和色调来表达的。
HSV 空间通常被可视化为一个六边形圆锥或圆柱体，其中色调沿圆周变化，饱和度从中心向外递增，明度从下向上递增。它允许直观的颜色选择，这在分割、跟踪和过滤等需要将颜色与亮度分离的应用中非常有用。
使用 HSV 模型进行色彩校正和增强 - 改变图像的色调和饱和度
在此示例中，我们基于 HSV 对日落色进行增强。第一张照片展示了一片风景，草地呈暗绿色，天空褪色。为了增强图像效果，我们略微调整了色相，使天空更偏橙色，并提升了草地的饱和度，使其看起来更加鲜艳，同时增加了明度以增强整体亮度。
YUV/Y'UV – 亮度色度分离
Y′UV 模型根据一个亮度分量 (Y') 和两个色度分量 (UV) 来定义颜色空间。Y' 通道承载灰度亮度信息，使用 RGB 值的加权和 (Y'=0.299R +0.587G+0.114B) 计算得出。U 和 V 分量编码颜色差异——U 表示相对于亮度的蓝色投影，V 表示相对于颜色的红色投影。这种分离对于视频应用尤其有效，因为人眼对亮度比颜色更敏感。通过以较低的分辨率存储颜色数据，可以显著压缩图像和视频，而不会明显降低质量。
使用 YUV 模型进行色彩校正和增强 - 不影响色彩的对比度调整
此用例展示了亮度校正如何在不影响色彩自然的情况下提升可视度。原始图像是在室内低光环境下拍摄的，看起来暗淡无光。为了增强亮度，我们拉伸了 Y（亮度）对比度，并保持 Cb/Cr（色彩分量）不变，以保留色彩。
在物体识别和分割中的应用
颜色模型在物体识别和图像分割中起着关键作用。HSV 和 YUV 等模型由于能够更好地分离亮度和色度数据，因此在此类任务中比 RGB 更受青睐。
在物体检测领域，HSV 被广泛应用，因为它能够在不同的光照条件下实现稳健的颜色阈值处理——通过隔离色相，即使亮度不同，也能检测到相同颜色的物体。例如，无论光照如何，都可以通过选择接近 0o 的色相范围来隔离红色交通标志。
另一方面，YUV 仅使用 Y（亮度）通道即可实现高效的边缘检测和物体追踪。这简化了计算，且不会影响物体轮廓。
Lab 颜色模型也用于分割，尤其是在感知精度至关重要的情况下。它将亮度与颜色成分分离，并保持感知均匀性，使其成为基于聚类的分割方法的有效方法。“a”和“b”通道以符合人类视觉的方式对颜色进行编码，帮助算法更可靠地检测细微的颜色差异。Lab 模型通常用于机器学习流程的预处理，其中一致的基于颜色的特征可以提高模型性能。
结论
颜色模型是我们如何在简单和高级图像处理工作流程中表示、操作和分析图像的基础。每个模型都有其独特的用途。了解何时以及为何使用特定模型，可以帮助开发人员和研究人员构建更准确、更高效、视觉上更一致的图像处理流程。无论您是要增强图像质量、进行色彩校正，还是训练神经网络来检测物体，选择合适的颜色模型都会对结果和性能产生显著的影响。