input_image = cv2.cvtColor(input_image , cv2.COLOR_BGR2HSV)
input_image [:, :, 2] = scale_value * input_image [:, :, 2]
input_image [:, :, 2][input_image [:, :, 2] > 1] = 1
input_image = cv2.cvtColor(input_image , cv2.COLOR_BGR2HSV)
input_image = cv2.cvtColor(input_image , cv2.COLOR_BGR2HSV)
input_image [:, :, 1] = scale_value * input_image [:, :, 1]
input_image [:, :, 1][input_image [:, :, 1] > 1] = 1
input_image = cv2.cvtColor(input_image , cv2.COLOR_BGR2HSV)
（1）python API讲解
1.创建滑动条
cv2.createTrackbar(trackbarName, windowName, value, count, onChange)-> None
trackbarName：滑动条名称
windowName：所在窗口名
value：初始值
count：最大值
onChange：回调函数名称
返回值：无
2 获取滑动条数据...
很多时候，当图像中存在色彩时，我们用用RGB图像处理得不到想要的结果时，就可以把图像转化成HSV图像，再加以处理，这样处理起来获取方便了很多。当然，在特定的环境中，我们不知道HSV的范围，这个时候可以测试一下图像中想要凸显的物体的HSV的范围，再设定相应的阈值范围。
点击图像观察图像HSV值代码：
import cv2
import numpy as np
from matplotlib im
饱和度调整算法说明（完整python代码在文末）：
本算法主要是利用HSL颜色空间进行饱和度S的上下限控制，对RGB空间进行补丁式调整。调整过程在RGB空间进行，其原理简单地说就是判断每个像素的R、G、B值是否大于或小于平均值，大于加上调整值，小于则减去调整值，如何计算各个像素点的调整系数是关键。本算法主体思想就是利用HSL来计算各点的调整系数。
算法过程如下：
（参考CSDN博客：http...
Python中计算图像亮度的方法
PS：转载+翻译（有侵权告诉我，立马删除），为了自己记录；
以下几个方法每个方法都返回一个相近值，但与其他方法不完全相同。另外，除了最后一个方法，所有方法的运行速度都差不多，最后一个方法的运行速度要慢得多，这取决于图像的大小
对200幅图像进行了模拟测试。发现方法2和方法4给出了几乎相同的结果。方法3和方法5也几乎相同。方法1紧随方法3和方法5之后(有一些例外)。
转换图像到灰度，返回平均像素亮度：
def brightness( im_file ):
I have a sequence of images. I need to average brightness of these images.First example (very slow):img = cv2.imread('test.jpg') #load rgb imagehsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) #convert it t...
1. 前言
HSV（Hue, Saturation, Value）颜色空间是一种面向视觉感知的视觉颜色模型，即：色调（Hue)、饱和度（Saturation）、亮度（Value）。其中，色调描述纯色的属性，饱和度描述纯色被白光稀释的程度的度量，亮度是一个主观描述的变量，即物体的明亮程度。HSV颜色空间一般利用于边缘检测、图像分割和目标识别等领域。
该工具组比较简单。加深工具组是处理图像的阴影区，使阴影区的颜色加深，使其立体效果更好。减淡工具与之相反。海绵工具中，若选择模式为加色，那么图像的饱和度越来越高，若选择为去色，那么涂抹的过程图像会逐渐变为黑白图像。
有很多方法可以做到这一点.您如何选择这取决于您是否重视速度和简单性或感知均匀性.如果你需要它是真正统一的,你需要用颜色配置文件定义RGB颜色,你需要配置文件的原色,这样你就可以转换为XYZ,然后转换到LAB,你可以操作L通道.大多数情况下,您不需要这样做,而是可以使用像Photoshop一样的简单HSB模型.要做到这一点,您只需想象一下RGB点与3D空间中的白点之间的线,并沿着该线移动颜色.实际上...
1.图像的直方图
一张图像一般由RGB三个通道（红色、绿色、蓝色三个部分）组成。单独对某个通道而言，把一幅图像中每一个像素出现的次数都统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把该像素出现的频率用图表示出来，就构成了灰度直方图。
图像直方图由于其计算代价较小，且具有图...
