在本系列上一篇文章中,我们带领大家调节了 CSI 图像质量。在本篇文章中,我们将带领大家了解 Jetson Nano 2GB 的颜色空间动态调节技巧。
HSV 色彩空间是计算机视觉领域应用频率非常高的颜色模型,主要有 Hue(色调)、Saturation(饱和度)与 Value(值)三者组合而成,与一般比较熟悉的 RGB 或 BGR 像点值组成颜色的方式是完全不同的。
在前面做过的“追踪特定颜色物件”实验中,必须不断修改代码中的某些值,然后重复执行代码去确认这些值的正确性,这对于某个特定颜色来说还勉强可以用用,但如果需要动态地对多种颜色进行识别的话,那可就令人头痛了。
因此本文特别提供一个简单工具,结合 OpenCV 的 createTaskbar 与 getTrackbarPos 这两个功能,协助初学者掌握颜色变化时的各项参数。
创建 BGR 色彩空间调色板
首先以人类习惯的 BGR 颜色空间为例,创建一个最简单的调色板,完整代码如下:
执行的结果如下图,用鼠标滑动 B/G/R 的值,下面色块会根据上面三个值的组合进行实时调整。
这是个非常简单而且实用的工具。接下来我们将 BGR 颜色空间修改成 HSV 颜色空间,因为大部分计算机视觉的应用,是采用 HSV 颜色空间进行转换。
创建 HSV 色彩空间调色板
关于 HSV 的原理,请自行百度上参考其细节,这里只挑与代码有关的部分简单说明。
在 Hue 色调部分由于有个上下限的范围,执行结果就会出现如下图的调色板,可用鼠标调整每个数值。不过到此只是显示这个调色板,还不具备任何功能。
使用 HSV 色彩空间调色板
接下去将前面“追踪特定颜色物件”代码集成进来,最终目的是利用这个调色板对特定颜色进行过滤(追踪)的功能,主要步骤如下(代码见“粗体底线”部分):
执行后的显示结果如下,左边是原图,中间是调色板,右边是调整后筛选的颜色:
利用鼠标调节中间调色板的各项数值,然后右边的结果就会立即产生变化:
以上色彩空间调色板的制作,应该会对您有所帮助。
好文章,需要你的鼓励
北京大学研究团队开发出基于RRAM芯片的高精度模拟矩阵计算系统,通过将低精度模拟运算与迭代优化结合,突破了模拟计算的精度瓶颈。该系统在大规模MIMO通信测试中仅需2-3次迭代就达到数字处理器性能,吞吐量和能效分别提升10倍和3-5倍,为后摩尔时代计算架构提供了新方向。
普拉大学研究团队开发的BPMN助手系统利用大语言模型技术,通过创新的JSON中间表示方法,实现了自然语言到标准BPMN流程图的自动转换。该系统不仅在生成速度上比传统XML方法快一倍,在流程编辑成功率上也有显著提升,为降低业务流程建模的技术门槛提供了有效解决方案。
谷歌宣布已将约3万个生产软件包移植到Arm架构,计划全面转换以便在自研Axion芯片和x86处理器上运行工作负载。YouTube、Gmail和BigQuery等服务已在x86和Axion Arm CPU上运行。谷歌开发了名为CogniPort的AI工具协助迁移,成功率约30%。公司声称Axion服务器相比x86实例具有65%的性价比优势和60%的能效提升。
北京大学联合团队发布开源统一视频模型UniVid,首次实现AI同时理解和生成视频。该模型采用创新的温度模态对齐技术和金字塔反思机制,在权威测试中超越现有最佳系统,视频生成质量提升2.2%,问答准确率分别提升1.0%和3.3%。这项突破为视频AI应用开辟新前景。