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.

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

Компьютерное зрение — это область ИИ, которая позволяет машинам анализировать и понимать визуальные данные. Ключевым аспектом этого процесса является обнаружение цвета, позволяющее машинам идентифицировать и различать объекты на основе их окраски. Анализируя значения пикселей в различных цветовых пространствах, можно применять обнаружение цвета в таких задачах, 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!

Link to this sectionЧто такое обнаружение цвета?#

Обнаружение цвета помогает машинам идентифицировать объекты и понимать сцены на основе цвета. В сочетании с другими задачами компьютерного зрения, это повышает точность и улучшает работу реальных приложений. Прежде чем погрузиться в то, как работает обнаружение 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, ты можешь задаться вопросом, почему обнаружение цвета является отдельным методом от обнаружения объектов. Хотя оба метода анализируют изображения, они служат разным целям.

Обнаружение цвета фокусируется на идентификации конкретных цветов на изображении, в то время как обнаружение объектов распознает и классифицирует объекты независимо от их цвета. В сценарии с беспилотным автомобилем обнаружение цвета находит красный цвет светофора, а обнаружение объектов идентифицирует сам светофор, помогая автомобилю принимать безопасные решения при вождении.

Link to this sectionВведение 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.

Link to this sectionОбзор цветового пространства RGB#

Цветовое пространство RGB широко используется в цифровых изображениях, встречаясь на экранах, в камерах и устройствах отображения. Оно работает путем комбинирования различных уровней красного, зеленого и синего света для создания множества цветов. Когда все три цвета имеют полную интенсивность, результатом является белый цвет, а когда их нет, отображается черный.

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.

Link to this sectionОбзор 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 визуализируют в форме конуса, где тон охватывает край, насыщенность возрастает от центра наружу, а яркость увеличивается от нижней части к вершине. Поскольку оно отделяет цвет от яркости, HSV широко используется в приложениях компьютерного зрения.

Рис. 3. Конус HSV.

Link to this sectionСравнение 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.

Link to this sectionКак работает обнаружение цвета#

Обычно обнаружение цвета рассматривается как метод обработки изображений, используемый для идентификации и выделения цветов из изображений или видео. Цвета, обнаруживаемые на изображениях с помощью обработки, зависят от цветовых пространств и методов пороговой обработки, позволяющих различать конкретные тона, оттенки 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.

Link to this sectionРоль обнаружения цвета в компьютерном зрении#

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

В некоторых случаях обнаружение цвета может быть более простой альтернативой моделям компьютерного зрения, особенно в контролируемых средах, где цвет является основным фактором при различении объектов. Вместо обучения модели на огромном наборе данных обнаружение цвета предоставляет быстрое и эффективное решение без необходимости обширной разметки или больших вычислительных мощностей.

Например, в автоматизированной системе сортировки яблок можно было бы обучить модель компьютерного зрения, такую как YOLO11, классифицировать яблоки по степени зрелости, но для этого потребовался бы набор данных из размеченных изображений для учета вариаций в освещении, текстуре и типах яблок.

Более прямой подход заключается в том, чтобы сначала обнаружить яблоки с помощью детекции объектов, а затем проанализировать их цвет для определения 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.

Link to this sectionРеальные приложения обнаружения цвета#

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

Link to this sectionОбнаружение цвета для оценки качества ткани#

Обнаружение цвета имеет решающее значение в производстве тканей и текстильной промышленности. Оно обычно используется в автоматизированных системах контроля качества и идентификации дефектов. В отличие от ручной проверки, которая занимает много времени и подвержена человеческим ошибкам, автоматизированные системы обеспечивают точное обнаружение дефектов в режиме реального 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.

Link to this sectionИспользование 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) гнилые, (b) спелые и (c) незрелые.

Link to this sectionОсновные 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.

Погрузись глубже в мир ИИ, изучив наше сообщество и репозиторий GitHub. Узнай об инновациях в ИИ для производства и компьютерном зрении в здравоохранении, и открой для себя, как начать использовать визуальный ИИ с помощью наших вариантов лицензирования.