1500字范文 > 数字图像处理(16): 图像颜色空间转换和 OpenCV图像灰度化处理

数字图像处理(16): 图像颜色空间转换和 OpenCV图像灰度化处理

时间：2021-04-28 05:32:39

1 图像灰度化原理

2 图像颜色空间转换

3 OpenCV图像灰度化处理

3.1 最大值灰度处理

3.2 平均灰度处理

3.3 加权平均灰度处理

参考资料

1 图像灰度化原理

在图像处理算法中，往往需要把彩色图像转换为灰度图像。图像灰度化是将一幅彩色图像转换为灰度化图像的过程。彩色图像通常包括R、G、B三个分量，分别显示出红绿蓝等各种颜色，灰度化就是使彩色图像的R、G、B三个分量相等的过程。灰度图像中每个像素仅具有一种样本颜色，其灰度是位于黑色与白色之间的多级色彩深度，灰度值大的像素点比较亮，反之比较暗，像素值最大为255（表示白色），像素值最小为0（表示黑色）。假设某点的颜色由RGB(R,G,B)组成，常见灰度处理算法有：

其中，常见的灰度处理方法是将RGB三个分量求和再取平均值，但更为准确的方法是设置不同的权重，将RGB分量按不同的比例进行灰度划分。比如人类的眼睛感官蓝色的敏感度最低，敏感最高的是绿色，因此将RGB按照0.299、0.587、0.144比例加权平均能得到较合理的灰度图像

2 图像颜色空间转换

在日常生活中，我们看到的大多数彩色图像都是RGB类型，但是在图像处理过程中，常常需要用到灰度图像、二值图像、HSV、HSI等颜色，OpenCV提供了cvtColor()函数实现这些功能。

OpenCV中cvtColor()函数形式如下所示：
dst = cv2.cvtColor(src, code[, dst[, dstCn]])
src 表示输入图像，需要进行颜色空间变换的原图像；
dst 表示输出图像，其大小和深度与src一致；
code 表示转换的代码或标识；
dstCn 表示目标图像通道数，其值为0时，则有src和code决定。

该函数的作用是将一个图像从一个颜色空间转换到另一个颜色空间，其中，RGB是指Red、Green和Blue，一幅图像由这三个通道（channel）构成；Gray表示只有灰度值一个通道；HSV包含Hue（色调）、Saturation（饱和度）和Value（亮度）三个通道。在OpenCV中，常见的颜色空间转换标识包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS等。

下面是调用cvtColor()函数将图像颜色空间转换（BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB 和 YUV）

代码如下所示：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取原始图像img_BGR = cv2.imread('zxp.jpg')#BGR转换为RGBimg_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)#灰度化处理img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)#BGR转HSVimg_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)#BGR转YCrCbimg_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)#BGR转HLSimg_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)#BGR转XYZimg_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)#BGR转LABimg_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)#BGR转YUVimg_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)#调用matplotlib显示处理结果titles = ['BGR', 'RGB', 'GRAY', 'HSV', 'YCrCb', 'HLS', 'XYZ', 'LAB', 'YUV']images = [img_BGR, img_RGB, img_GRAY, img_HSV, img_YCrCb,img_HLS, img_XYZ, img_LAB, img_YUV]for i in range(9):plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]),plt.yticks([])plt.show()cv2.waitKey(0)cv2.destroyAllWindows()

运行结果如下图所示：

3 OpenCV图像灰度化处理

下面主要介绍最大值灰度处理、平均灰度处理和加权平均灰度处理算法。

3.1 最大值灰度处理

该方法的灰度值等于彩色图像R、G、B三个分量中的最大值，公式如下：

代码如下所示：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取原始图像img = cv2.imread('zxp.jpg')#获取图像高度和宽度height = img.shape[0]width = img.shape[1]#创建一幅图像grayimg = np.zeros((height, width, 3), np.uint8)#图像最大值灰度处理for i in range(height):for j in range(width):#获取图像R G B最大值gray = max(img[i,j][0], img[i,j][1], img[i,j][2])#灰度图像素赋值 gray=max(R,G,B)grayimg[i,j] = np.uint8(gray)#显示图像cv2.imshow("src", img)cv2.imshow("gray", grayimg)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

运行结果如下图所示：（处理效果的灰度偏亮）

3.2 平均灰度处理

该方法的灰度值等于彩色图像R、G、B三个分量灰度值的求和平均值，其计算公式如下所示：

代码如下所示：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取原始图像img = cv2.imread('zxp.jpg')#获取图像高度和宽度height = img.shape[0]width = img.shape[1]#创建一幅图像grayimg = np.zeros((height, width, 3), np.uint8)# print (grayimg)#图像平均灰度处理方法for i in range(height):for j in range(width):#灰度值为RGB三个分量的平均值gray = (int(img[i,j][0]) + int(img[i,j][1]) + int(img[i,j][2])) / 3grayimg[i,j] = np.uint8(gray)#显示图像cv2.imshow("src", img)cv2.imshow("gray", grayimg)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

运行结果如下图所示：

3.3 加权平均灰度处理

该方法根据色彩重要性，将三个分量以不同的权值进行加权平均。常见的灰度处理方法是将RGB三个分量求和再取平均值，但更为准确的方法是设置不同的权重，将RGB分量按不同的比例进行灰度划分。比如人类的眼睛感官蓝色的敏感度最低，敏感最高的是绿色，因此将RGB按照0.299、0.587、0.144 比例加权平均能得到较合理的灰度图像：

代码如下所示：

#encoding:utf-8import cv2import numpy as npimport matplotlib.pyplot as plt#读取原始图像img = cv2.imread('zxp.jpg')#获取图像高度和宽度height = img.shape[0]width = img.shape[1]#创建一幅图像grayimg = np.zeros((height, width, 3), np.uint8)# print grayimg#图像加权平均灰度处理方法for i in range(height):for j in range(width):#灰度加权平均法gray = 0.30 * img[i,j][0] + 0.59 * img[i,j][1] + 0.11 * img[i,j][2]grayimg[i,j] = np.uint8(gray)#显示图像cv2.imshow("src", img)cv2.imshow("gray", grayimg)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

运行结果如下图所示：