HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。
这个模型中颜色的参数分别是:色调(H)，饱和度(S)，明度(V)。
色调可以表示颜色的种类，它是一个角度，范围是0-180°，0对应red，60对应green，120对应blue。
饱和度表示该颜色接近光谱色的程度，范围是0-255，当其为0时，只能显示黑色-白色。其逐渐增大时，颜色逐渐接近光谱色。
明度也可以理解为亮度，范围是0-255，当其为0时，为纯黑色。逐渐增大时，可逐渐显示出颜色。
（以上三个范围在不同的地方有不同的定义）
如下图可以形象的理解：
1.识别按钮的简单例子
设想有一工业机器人，现任务是将一墙壁上的某一按钮按下，我们现在将问题最简化然后解决。
假设墙壁为蓝色（Blue），有两个按钮分别为红色（Red），绿色（Green），现在的任务是识别出红色（Red）按钮。
解决过程：
第一步：导入所需库：
import cv2 as cvimport numpy as np
ground = np.ones((512,512,3),np.uint8)for i in range(512): for j in range(512):
ground[i,j] = [255,0,0]cv.circle(ground,(200,200),50,(0,0,255),-1)cv.circle(ground,(400,400),50,(0,255,0),-1)cv.imshow('ground',ground)
ground_hsv = cv.cvtColor(ground,cv.COLOR_BGR2HSV)
lower = np.array([0,200,200])upper = np.array([20,255,255])
red_mask = cv.inRange(ground_hsv,lower,upper)
当待识别颜色不是标准三原色时，我们可以事先查询该颜色对应的HSV颜色，在例子2中会使用到。
第五步：对原图像进行处理：
red = cv.bitwise_and(ground,ground,mask=red_mask)
cv.imshow('red',red)
可见已将红色按钮区域识别出
2.水果分类
我们的目标是在如下一张含有四种水果的图中，找出梨的位置：
import cv2 as cvimport numpy as np
fruit = cv.imread('D:/programming/Python learn/opencv_learn/fruit.jpg')pear = cv.imread('D:/programming/Python learn/opencv_learn/pear.jpg')
cv.imshow('fruit',fruit)
#找到梨的HSV参数范围的过程：pear_hsv = cv.cvtColor(pear,cv.COLOR_BGR2HSV)a = pear_hsv.shape[0]b = pear_hsv.shape[1]h = []s = []v = []for i in range(int(a/2)-10,int(a/2)+9): for j in range(int(b/2)-10,int(b/2)+9): h.append(pear_hsv[i,j][0]) s.append(pear_hsv[i,j][1]) v.append(pear_hsv[i,j][2])H = np.array(h)S = np.array(s)V = np.array(v)
h_min = np.min(H)h_max = np.max(H)s_min = np.min(S)s_max = np.max(S)v_min = np.min(V)v_max = np.max(V)
fruit_hsv = cv.cvtColor(fruit,cv.COLOR_BGR2HSV)
lower = np.array([h_min,s_min-5,v_min-5])upper = np.array([h_max,s_max+5,v_max+5])
pear_mask = cv.inRange(fruit_hsv,lower,upper)
pear = cv.bitwise_and(fruit,fruit,mask=pear_mask)
cv.imshow('pear',pear)
if cv.waitKey(-1)==ord('a'): cv.destroyAllWindows()
可以看出虽然不完全，但可以成功将梨与其他三种水果区分开并识别出。
在本例子中，我们寻找范围的办法是：将梨的图片单独取出，查询中心区域（大小20*20）的像素组成，用这块区域的最小值与最大值适当扩张组成区分依据。在具体应用中，还需要加以改变，如香蕉的有效区域不在中心，苹果的亮度变化较大等等。
想要实现比较精准、更大难度的分类需要进一步学习，我们通过这两个例子了解HSV提取的基本思想即可。
