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。

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。

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

将图像转换到HSV空间，并对其进行量化降维后，计算其颜色直方图

针对RetinexNet低照度图像增强算法中出现的颜色失真、边缘模糊等问题,提出了一种改进的RetinexNet算法。首先,利用HSV(Hue,Saturation,Value)颜色空间模型中各通道相对独立的特性,增强亮度分量;然后,利用相关系数使饱和度分量随亮度分量的变化自适应调整,避免图像色感发生变化;最后,针对增强图像的边缘模糊问题,采用Laplace算法对反射率图像进行锐化处理,增强图像的细节表达能力。实验结果表明,本算法可以有效增强图像的细节,保持图像的整体色彩和原始图像一致,提高图像的视觉效果。