在智能视频监控系统中，运动阴影如果被误判为运动目标，将会影响到场景中运动目标的准确提取、跟踪和预测。针对这一问题，设计了一种基于HSV颜色空间的阴影去除方法。方法首先将背景差法和三帧差分法相结合，用于提取运动目标，再将提取的含有阴影的运动目标区域映射到其HSV色彩空间，通过与背景和相邻帧的亮度、饱和度比较，实现对阴影区域的检测和去除 ,处理过程中无需提前确定特征判别参数。将所设计的方法在标准高速公路视频数据库中进行测试并应用于实时的视频监控系统，验证结果表明该方法能更加有效的消除阴影，从而准确的检测出运动目标，同时方法对光线变化具有一定的鲁棒性。

https://blog.csdn.net/weixin_36815313/article/details/109995215 HSV空间图片分离器HSVSpaceImgSep 通过滑动滑轨，来调整 HSV 值。然后根据图片分离效果，将 HSV 值拿到，之后用到自己的程序中。

可以直接对HSV空间图像进行同态滤波处理，处理结果良好，纹理清晰

研究了偏振产生的原理和基于标准HSV颜色空间的偏振融合，并根据红外偏振图像对比度较强、强度较弱的特点改进了HSV融合算法，利用原始偏振图像的灰度均值和极值进行图像强度修正，计算融合权重，进行偏振图像融合，增强红外偏振融合图像的强度和对比度。对室内以及室外人造目标进行实验验证，改进的HSV融合算法较红外原图灰度均值最高提升216%，对比度最高提升1384%；较标准HSV融合图像的灰度均值最高提升1363%，对比度最高提升292%。为使用红外偏振融合图像进行目标识别打下了很好的基础。

This function creates the auto-correlogram vector for an input image of any size. The different distances which is assumed apriori can be user-defined in a vector. 此函数用于为任何大小的输入图像创建自动相关图向量。假设先验假设的不同距离可以由用户在向量中定义。

从 RGB 到 HSV 空间的转换

将RGB空间转换到HSV空间，最大类间方差法进行图像分割， 效果明显优于RGB的结果。将分割后图与原图相乘。

这些代码计算并可视化给定图像的 RGB 和 HSV 分布（或直方图）。 每个体积元素的体积与对应的 RGB 或 HSV 值的百分比成比例。

在HSV空间内对视频数据进行阴影检测，进而去除阴影

利用opencv里的固有函数对RGB空间进行转换，转换到HSV空间