OpenCV+Python学习笔记 : 图像灰度化处理

图像处理的第一步操作基本都是进行灰度化

在进行图片识别的过程中，我们需要将视频中每一帧图片取出并且转化为灰度图片，现在大部分的彩色图像都是采用RGB颜色模式，处理图像的时候，要分别对RGB三种分量进行处理，但实际上单纯RGB图像并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配，机器并不能够通过人眼的角度来迅速智慧的识别物体的框架、边角等信息，机器在进行计算的时候，如果是包含色彩的图片，特征量，计算量会成指数倍数增加。将图片转化为灰度图片，能使计算范围降低、提升计算效率。灰度就是RGB色彩三个分量全部相等，即转化为灰度图片的每一个像素点存在0-255种组合色彩，而彩色图像中的每个像素颜色由R、G、B三个分量来决定，而每个分量的取值范围都在0-255之间，这样对计算机来说，彩色图像的一个像素点就会有256*256*256=16777216种颜色的变化范围，由此，RGB是适用于人眼观看的视觉成像，但并不适用于机器分析。

 

同时，我们可以从上图清晰看出，灰度化图片≠黑白图片，黑白图片是一种“两色”图片，即非黑即白，而灰度化图片的像素介于黑与白之间。

 

常见灰度化处理算法：

1. 分量法
2. Gamma校正灰度化
3. 最大值法
4. 加权平均法

加权平均法公式

在日常生活中，我们通常使用加权平均法进行灰度化处理。

算法实现：

import cv2
import numpy as np

img = cv2.imread('Resources/car20.jpg')
h, w = img.shape[0:2]
print(h,w)
gray = np.zeros((h, w), dtype=img.dtype)

for i in range(h):
    for j in range(w):
        gray[i, j] = (0.3*int(img[i, j, 0]) + 0.59*int(img[i, j, 1]) + 0.11*int(img[i, j, 2]))

cv2.imshow('Gray',gray)
cv2.imshow('Result',img)
cv2.waitKey(0)

在OpenCV中，已经有函数

cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) 为我们实现灰度化处理

import cv2
import numpy as np

img = cv2.imread('Resources/car20.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)

cv2.imshow('Gray',gray)
cv2.imshow('Result',img)
cv2.waitKey(0)

函数cvtColor含有多种图片转换方式 OpenCV: Color Space Conversions

上面自我实现的灰度化图片与OpenCV自带的cvtColor函数输出的结果一致：

 左图为原始图片，右图为灰度化后的图片