Ps:RGB 直方图

RGB 颜色模式下,将三个原色通道直方图对应相同色阶值的个数进行相加,就形成了灰色的 RGB 直方图。

比如,在 RGB 直方图上,色阶值为 43 的总共有 10271 个,这个数值实际上来自于三个原色通道中色阶值为 43 的颜色分量的个数之和。

3036(红) + 3644(绿) + 3591(蓝 )= 10271

色阶值为 218 的总共有 1910 个,也是求和的结果。

1831(红) + 79(绿) + 0(蓝 )= 1910

很显然,一个像素的 R、G、B 的色阶值有可能会有相同值,比如 R、G 的值同为 43。

所以,这样统计出的个数要大于图像的实际像素个数。

这种直接累加分量值个数的方式所形成的 RGB 直方图是很难对图像的明暗关系和色彩关系进行精准判断的。

在 RGB 颜色模式下,一个像素的最终色彩是由其 R、G、B 三个通道的值通过加色混合得到的。

用拾色器吸取上图中箭头指示处的颜色,测得 R、G、B 分别是(171,72,69)。

也就是说,红通道直方图统计了这个像素的 171 的分量值,记录在红通道直方图的右侧亮部区域,而蓝通道统计了它的 69 的分量值,记录在蓝通道直方图的左侧暗部区域。

不过,RGB 直方图对于快速判断图像的整体亮度范围还是非常有用的,特别是在调整曝光、亮度和对比度时。

在一个像素的三个通道值中,只要其中一个值较大,则这个像素就会显得比较亮,因为在 RGB 颜色模式下,三个通道是按照加色模式进行混合的。

因此,在 RGB 直方图中,右侧的"像素"数目越多,说明画面越亮。右侧的"像素"数目越少,说明画面越暗,这一点是肯定的。

但 RGB 直方图左侧的"像素"较多时不一定可以表明该图像偏暗。

◆ ◆

RGB 直方图的应用说明

观察图像本身并配合查看 RGB 直方图查看,是可以有效地分析图像的各个亮度区域(阴影、中间调、高光)以及可能出现的高光剪切或阴影剪切情况,由此。可以帮助确定图像调整的方向。

比如,是否需要增加曝光来提亮图像、减少曝光来增加细节或调整对比度来平衡中间调。

均匀分布的中间调直方图通常意味着图像具有良好的细节和层次感。

当直方图右侧紧贴边缘出现峰值时,表明图像中的某些区域可能过于明亮,以至于细节完全丢失(称为"高光剪切")。

当直方图左侧紧贴边缘出现峰值时,表明图像中的某些暗部区域过于黑暗,细节丢失(称为"阴影剪切")。

"点赞有美意,赞赏是鼓励"

相关推荐
甜辣uu13 分钟前
双算法融合,预测精准度翻倍!机器学习+深度学习驱动冬小麦生长高度与产量智能预测系统
人工智能·小麦·冬小麦·生长高度·植物生长预测·玉米·生长预测
AI街潜水的八角19 分钟前
深度学习烟叶病害分割系统3:含训练测试代码、数据集和GUI交互界面
人工智能·深度学习
AI街潜水的八角32 分钟前
深度学习烟叶病害分割系统1:数据集说明(含下载链接)
人工智能·深度学习
weixin_4469340336 分钟前
统计学中“in sample test”与“out of sample”有何区别?
人工智能·python·深度学习·机器学习·计算机视觉
大模型RAG和Agent技术实践40 分钟前
智审未来:基于 LangGraph 多 Agent 协同的新闻 AI 审查系统深度实战(完整源代码)
人工智能·agent·langgraph·ai内容审核
莫非王土也非王臣1 小时前
循环神经网络
人工智能·rnn·深度学习
Java后端的Ai之路1 小时前
【AI大模型开发】-基于 Word2Vec 的中文古典小说词向量分析实战
人工智能·embedding·向量·word2vec·ai大模型开发
Lips6111 小时前
第五章 神经网络(含反向传播计算)
人工智能·深度学习·神经网络
gongfuyd1 小时前
《强化学习的数学原理》中文版第2章-第4章总结
人工智能