Использование определения цвета в приложениях компьютерного зрения

Цвета играют жизненно важную роль в том, как люди воспринимают мир, помогая нам узнавать, понимать и взаимодействовать с окружающим пространством. Однако, в отличие от нас, машины не «видят» цвета — они обрабатывают их как данные, переводя оттенки и тона в числовые значения.

Автономный автомобиль не просто видит красный сигнал светофора — он обрабатывает этот цвет как сигнал к остановке. Эта способность распознавать и интерпретировать цвета помогает сократить разрыв между человеческим зрением и компьютерным зрением.

Computer vision — это ветвь ИИ, которая позволяет машинам анализировать и понимать визуальные данные. Ключевым аспектом этого является детекция цвета, которая позволяет машинам идентифицировать объекты и различать их по цвету. Анализируя значения пикселей в различных цветовых пространствах, детекцию цвета можно использовать в таких приложениях, как отслеживание объектов, медицинская визуализация и автоматизация.

В этой статье мы подробно рассмотрим, как работает обнаружение цвета, почему это важно и как оно используется в приложениях компьютерного зрения. Давай начнем!

Что такое обнаружение цвета?#

Детекция цвета помогает машинам идентифицировать объекты и понимать сцены на основе цвета. В сочетании с другими задачами компьютерного зрения она повышает точность и улучшает приложения реального мира. Прежде чем погружаться в то, как работает детекция цвета, полезно понять, как цвета представляются в цифровом виде.

Цифровые изображения состоят из крошечных квадратов, называемых пикселями, каждый из которых содержит информацию о цвете. Например, в цветовой модели RGB (Red, Green, Blue — красный, зеленый, синий) цвета создаются путем смешивания различных интенсивностей красного, зеленого и синего компонентов.

Каждый цвет определяется тремя значениями в диапазоне от 0 до 255, где 0 означает отсутствие цвета, а 255 — полную интенсивность. Например, чистый красный цвет имеет вид (255, 0, 0), так как в нем максимальное значение красного и отсутствуют зеленый и синий. Белый цвет имеет вид (255, 255, 255), так как все три цвета имеют полную интенсивность.

Рис. 1. Пример того, как компьютер видит цвета яблока.

Если ты знаком с моделями компьютерного зрения, такими как Ultralytics YOLO11, тебе может быть интересно, почему детекция цвета является отдельным методом от детектирования объектов. Хотя оба метода анализируют изображения, они служат разным целям.

Детекция цвета фокусируется на идентификации определенных цветов на изображении, в то время как детектирование объектов распознает и классифицирует объекты независимо от их цвета. В сценарии с автономным автомобилем детекция цвета обнаруживает красный цвет светофора, в то время как детектирование объектов идентифицирует сам светофор, помогая машине принимать безопасные решения при вождении.

Введение в цветовые пространства#

Цветовая модель или цветовое пространство — это система, используемая для представления цветов в цифровых изображениях, и она является важнейшей частью обнаружения цвета. Она присваивает цветам числовые значения, позволяя компьютерам интерпретировать их единообразно на разных устройствах. Цветовые пространства обеспечивают структурированный способ хранения, настройки и отображения цветов в цифровых системах.

Некоторые часто используемые цветовые пространства включают RGB для цифровых дисплеев, HSV (Hue, Saturation, Value — тон, насыщенность, яркость) для обработки изображений и CMYK (Cyan, Magenta, Yellow, Black — голубой, пурпурный, желтый, черный) для печати. RGB и HSV являются наиболее часто используемыми цветовыми пространствами для обнаружения цветов. Давай разберемся, как они работают.

Обзор цветового пространства RGB#

Цветовое пространство RGB широко используется в цифровой визуализации, оно применяется в экранах, камерах и устройствах отображения. Оно работает путем объединения различных уровней красного, зеленого и синего света для создания различных цветов. Когда все три цвета находятся на максимальной интенсивности, получается белый цвет, а когда они отсутствуют, он выглядит черным.

Это цветовое пространство часто визуализируется как цветовой куб, где каждая ось представляет один из основных цветов. Углы куба показывают чистые красный, зеленый и синий цвета вместе с их комбинациями, а внутри куба находятся все возможные оттенки.

Хотя RGB прост и популярен, у него есть свои ограничения. Цвета не всегда выглядят одинаково для человеческого глаза, потому что RGB не совсем точно соответствует тому, как мы воспринимаем цветовые различия. На него также влияют условия освещения, что означает, что цвета могут выглядеть по-разному в зависимости от яркости и окружающей среды.

Рис. 2. Цветовой куб RGB.

Обзор цветового пространства HSV#

Цветовое пространство HSV (тон, насыщенность, значение/яркость) представляет цвета на основе трех компонентов: тон (тип цвета), насыщенность (его интенсивность) и значение/яркость (его освещенность). В отличие от RGB, которая смешивает интенсивности света, HSV ближе к тому, как люди воспринимают цвета, что делает его более практичным выбором для многих задач обработки изображений.

В частности, тон представляет собой реальный цвет и измеряется в градусах на цветовом круге, где красный цвет находится на отметке 0°, а синий — 240°. Насыщенность контролирует, насколько ярким или тусклым выглядит цвет: 0% — это полностью серый цвет, а 100% — полностью насыщенный. Значение яркости варьируется от 0% (черный) до 100% (полная яркость).

Интересно, что цветовое пространство HSV часто визуализируется как конус, где оттенок закручивается по краю, насыщенность перемещается наружу, а яркость увеличивается снизу вверх. Поскольку оно отделяет цвет от яркости, HSV широко используется в приложениях компьютерного зрения.

Рис. 3. Конус HSV.

Сравнение цветовых пространств RGB и HSV#

Чтобы сравнить RGB и HSV, давай возьмем для примера оранжевый цвет. В цветовом пространстве RGB оранжевый создается путем смешивания красного и зеленого цветов при определенных интенсивностях, обычно представляемых как (255, 165, 0) — это означает максимальный красный, определенная доля зеленого и отсутствие синего. Однако, поскольку RGB не отделяет цвет от яркости, его может быть менее интуитивно использовать для задач, требующих точного манипулирования цветом.

В HSV оранжевый определяется иначе. Его тон находится около 30°, что определяет его положение на цветовом круге. Его насыщенность близка к 100%, что означает, что это яркий, чистый цвет, а значение яркости также равно 100%, что указывает на полную яркость. Поскольку HSV отделяет цвет от яркости, он часто более полезен в приложениях обнаружения цвета, где условия освещения могут меняться.

Рис. 4. Сравнение значений RGB и HSV. Изображение автора.

Как работает обнаружение цвета#

Обычно детекция цвета рассматривается как метод обработки изображений, используемый для идентификации и выделения цветов из изображений или видео. Цвета, обнаруживаемые на изображениях с помощью обработки изображений, опираются на цветовые пространства и методы пороговой обработки для различения конкретных оттенков, тонов и интенсивности.

Вот краткий обзор ключевых этапов обнаружения цвета с использованием обработки изображений:

• Получение изображения: Процесс начинается с захвата изображения или кадра видео с помощью камеры. Изображение обычно сохраняется в формате RGB как матрица пикселей.
• Конвертация цветового пространства: Поскольку RGB не всегда идеально подходит для обнаружения цвета, изображение конвертируется в цветовое пространство HSV. Это помогает отделить цвет от яркости, делая обнаружение более стабильным в различных условиях освещения.
• Цветовая пороговая обработка: Для целевого цвета в формате HSV определяется конкретный диапазон. Этот шаг создает бинарную маску, где пиксели в выбранном цветовом диапазоне выглядят белыми, а все остальные — черными.
• Маскирование: Бинарная маска применяется к исходному изображению, чтобы выделить обнаруженный цвет, отфильтровывая все остальное. Это подсвечивает только те области, которые соответствуют желаемому цвету.

После того как цвет обнаружен и выделен, его можно использовать в различных задачах компьютерного зрения, таких как отслеживание объектов, сегментация изображений и автоматизированное принятие решений в таких областях, как робототехника, медицинская визуализация и автономные транспортные средства.

Роль обнаружения цвета в компьютерном зрении#

Теперь, когда мы узнали, как работает обнаружение цвета, давай рассмотрим, как оно поддерживает приложения компьютерного зрения.

В определенных случаях детекция цвета может быть более простой альтернативой моделям компьютерного зрения, особенно в контролируемых средах, где цвет является основным фактором в различении объектов. Вместо обучения модели на массивном датасете, детекция цвета обеспечивает быстрое и эффективное решение без необходимости обширной разметки или высоких вычислительных мощностей.

Например, в автоматизированной системе сортировки яблок компьютерная модель зрения, такая как Ultralytics YOLO11, может быть обучена classify яблоки по степени зрелости, но для этого потребуется набор данных с разметкой изображений, чтобы справляться с вариациями освещения, текстуры и типов яблок.

Более простой подход заключается в том, чтобы сначала обнаружить яблоки с помощью детектирования объектов, а затем проанализировать их цвет для определения степени зрелости. Поскольку этот метод опирается на предопределенные цветовые пороги вместо обучения модели, он хорошо работает в стабильных условиях, где освещение и фон не меняются кардинально.

Хотя специально обученная модель может быть лучше для более сложных и изменчивых сред, обнаружение цвета — это быстрое, практичное и доступное решение для приложений реального времени. Это также отличная отправная точка для тех, кто изучает обработку изображений и компьютерное зрение, прежде чем переходить к более сложным решениям.

Реальные приложения обнаружения цвета#

Обнаружение цвета используется во многих отраслях для различных задач. Давай взглянем на некоторые примеры применения в реальном мире.

Обнаружение цвета для оценки качества ткани#

Детекция цвета имеет решающее значение в производстве тканей и текстиля. Она широко используется в автоматизированных системах контроля качества и выявления дефектов. В отличие от ручного осмотра, который отнимает много времени и подвержен человеческому фактору, автоматизированные системы обеспечивают точное обнаружение дефектов в реальном времени.

В частности, анализируя изображения ткани, системы компьютерного зрения могут выявлять такие дефекты, как неравномерное распределение красителя, выцветание и загрязнения. Передовые методы обнаружения цвета делают контроль качества более точным, измеряя согласованность цвета между разными партиями.

Рис. 5. Обнаружение цвета играет ключевую роль в создании цветной ткани.

Использование обнаружения цвета в сельском хозяйстве#

Как упоминалось ранее, цвет является ключевым показателем зрелости, и технология обнаружения цвета может использоваться в сельском хозяйстве для мониторинга здоровья урожая и улучшения процесса сбора.

Анализируя изменения цвета, фермеры могут оценивать здоровье растений, выявлять заболевания и определять готовность урожая к сбору. Современные роботы, оснащенные датчиками цвета и компьютерным зрением, помогают автоматизировать процесс, гарантируя сбор только спелых плодов. Эти системы могут повысить эффективность и производительность, особенно в районах с нехваткой рабочей силы.

Рис. 6. Манго разной степени зрелости: (a) испорченные, (b) спелые и (c) неспелые.

Основные выводы#

Обнаружение цвета — это инновационный метод компьютерного зрения с приложениями в сельском хозяйстве, производстве, здравоохранении и автоматизации. Оно помогает машинам распознавать и интерпретировать цвета для отслеживания объектов, контроля качества и принятия решений.

Хотя современные ИИ-модели продолжают развиваться, обнаружение цвета остается простым и эффективным решением, особенно в контролируемых средах. По мере развития технологий оно, скорее всего, продолжит играть ключевую роль в улучшении реальных приложений.

Погружайся глубже в ИИ, исследуя наше сообщество и репозиторий GitHub. Узнавай об инновациях в области ИИ в производстве и компьютерного зрения в здравоохранении, а также открой для себя, как начать использовать визуальный ИИ с помощью наших вариантов лицензирования.