原理

HSV颜色空间

HSV(色相hue, 饱和度sarturation, 色明度value)颜色空间与RGB颜色空间相似。hue色相通道代表颜色类型；saturation饱和度通道代表颜色的饱和度，即颜色的浓淡或深浅、value通道代表颜色的亮度。下面的圆柱体展示了HSV颜色空间的模型：

RGB与HSV颜色空间之间的转换

RGB颜色空间是通过红、绿、蓝3种基本颜色的比例来确定颜色。RGB颜色空间模型如下：

OpenCV默认的是BGR颜色空间（相当于RGB），所以需要将RGB颜色空间转换成HSV颜色空间。在OpenCV中可以使用cv::cvtColor函数来进行不同颜色空间之间的转换。每个通道之间的具体转换方法如下：
$$V\leftarrow max(R,G,B)$$
$$S\leftarrow \{\begin{array}{ll}\frac{V-min(R,G,B)}{V}& \text{if}V\ne 0\\ 0& \text{otherwise}\end{array}$$
$$H\leftarrow \{\begin{array}{ll}60(G-B)/(V-min(R,G,B)& \text{if}V=R\\ 120+60(B-R)/(V-min(R,G,B)& \text{if}V=G\\ 240+60(R-G)/(V-min(R,G,)& \text{if}V=B\\ 0& \text{if}R=G=B\end{array}$$

• 如果计算出的$H<0$，则$H\leftarrow H+360$；
• 计算出的H, S, V的范围分别是：$0\le H\le 360$, $0\le S\le 1$, $0\le V\le 255$

因为转换后的3个通道的颜色值可能会超出数据类型的最大值，所以还需要进行值域的转换

• 如果数据是8位：$S\leftarrow 255S,H\leftarrow H/2$，即最终H, S, V的范围分别是：$0\le H\le 180$, $0\le S\le 255$, $0\le V\le 255$
• 如果数据是16位：目前还不支持
• 如果数据是32位：不需要转换

用RGB中的白色来举例。在8位的RGB颜色中，3个通道分别是$R=255$，$G=255$，$B=255$。根据上面的转换公式，转换成HSV颜色空间，则有：
$$V\leftarrow max(R,G,B)=255$$
$V\ne 0$，所以有：
$$S\leftarrow \frac{V-min(R,G,B)}{V}=0$$
因为$R=G=B$，所以有：
$$H\leftarrow 0$$
最后进行值域转换得：
$$S\leftarrow 255S=0,H\leftarrow H/2=127$$
所以，$RGB(255,255,255)$转换成$HSV为：$HSV(0, 0, 127)$。
下面将展示一个用HSV颜色空间来分离图片中的对象的例子：

代码实现

这里使用的图片是来自下载的OpenCV中自带的示例图片：...\opencv\sources\samples\data\stuff.jpg。原图如下：

将该图片导入为src：

Mat src{ imread("stuff.jpg") };

颜色空间的转换

由于导入的图片默认是BGR模式，所以要使用cv::cvtColor函数进行颜色空间的转换：

Mat src_HSV;
cvtColor(src,		//原图src_HSV,		//结果图COLOR_BGR2HSV);	//颜色空间转换类型：BGR转为HSV

转换后的效果如下：

范围阈值操作

范围阈值操作由inRange()函数完成，其函数原型如下：

void cv::inRange(InputArray	src,InputArray	lowerb,InputArray	upperb,OutputArray	dst)

• src：原图
• lowerb：数组或Scalar类型，表示范围的最小边界
• upperb：数组或Scalar类型，表示范围的最大边界
• dst：输出图（与原图尺寸相同，CV_8U类型）

这个函数检查图片中的每个值，看它们是否落在其定义的范围内。其检查方法具体如下：

• 对于单通道图片
  $$dst(I)=lowerb(I{)}_0\le src(I{)}_0\le upperb(I{)}_0$$
• 对于双通道图片：
  $$dst(I)=lowerb(I{)}_0\le src(I{)}_0\le upperb(I{)}_0\wedge lowerb(I{)}_1\le src(I{)}_1\le upperb(I{)}_1$$
• 对于3通道图片：由上类推
  $$\begin{gathered} dst(I)=lowerb(I{)}_0\le src(I{)}_0\le upperb(I{)}_0\wedge \\ lowerb(I{)}_1\le src(I{)}_1\le upperb(I{)}_1\wedge \\ lowerb(I{)}_2\le src(I{)}_2\le upperb(I{)}_2 \end{gathered}$$
  所以，无论是多少通道的图片，指定的范围都是一个闭区间。如果图片中的某个值低于范围的下边界，那就会被赋予下边界值；同理，如果超过上边界，就会被赋予上边界的值。
  当上下边界是用Scalar类型定义的时候，上面几个公式就不用加小括号来表示数组的下标了。
  注意，转换成HSV格式之后，颜色值的最大值变成了Scalar(180, 255, 255).
  本例中使用最大值为上边界，最大值的1/6为下边界：

Mat dst;
inRange(src_HSV,			//HSV图Scalar(30, 37, 37),		//下边界Scalar(180, 255, 255),	//上边界dst);					//输出图

最终效果如下：

可以看到3个物体被很好的识别出来了，但是另一个物体并没有，而且背景中的暗部也被识别了。
可以变换上下边界，查看不同的效果。