Python图像处理丨基于OpenCV和像素处理的图像灰度化处理

摘要：本篇文章讲解图像灰度化处理的知识，结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作，使用像素处理方法对图像进行灰度化处理。

本文分享自华为云社区《[Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理》，作者： eastmount 。

本篇文章讲解图像灰度化处理的知识，结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作，使用像素处理方法对图像进行灰度化处理。基础性知识希望对您有所帮助。

• 1.图像灰度化原理
• 2.基于OpenCV的图像灰度化处理
• 3.基于像素操作的图像灰度化处理

一.图像灰度化原理

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，常见灰度处理算法如表7.1所示：

表7.1中Gray表示灰度处理之后的颜色，然后将原始RGB(R,G,B)颜色均匀地替换成新颜色RGB(Gray,Gray,Gray)，从而将彩色图片转化为灰度图像。

一种常见的方法是将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，如公式7.1所示。

二.基于OpenCV的图像灰度化处理

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。其函数原型如下所示：

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，一副图像由这三个通道（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()函数将图像进行灰度化处理的代码。

#encoding:utf-8
import cv2  
import numpy as np  
#读取原始图片
src = cv2.imread(\'miao.png\')
#图像灰度化处理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
#显示图像
cv2.imshow(\"src\", src)
cv2.imshow(\"result\", grayImage)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示，左边是彩色的苗族服饰原图，右边是将彩色图像进行灰度化处理之后的灰度图。其中，灰度图将一个像素点的三个颜色变量设置为相当，R=G=B，此时该值称为灰度值。

同样，可以调用 grayImage = cv2.cvtColor(src, cv2.COLOR_BGR2HSV) 核心代码将彩色图像转换为HSV颜色空间，如下图所示。

下面Image_Processing_07_02.py代码对比了九种常见的颜色空间，包括BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB和YUV，并循环显示处理后的图像。

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取原始图像
img_BGR = cv2.imread(\'miao.png\')
#BGR转换为RGB
img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)
#灰度化处理
img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)
#BGR转HSV
img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)
#BGR转YCrCb
img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)
#BGR转HLS
img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)
#BGR转XYZ
img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)
#BGR转LAB
img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)
#BGR转YUV
img_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 xrange(9): 
 plt.subplot(3, 3, i+1), plt.imshow(images[i], \'gray\') 
 plt.title(titles[i]) 
 plt.xticks([]),plt.yticks([]) 
plt.show()

其运行结果如图所示：

三.基于像素操作的图像灰度化处理

前面讲述了调用OpenCV中cvtColor()函数实现图像灰度化的处理，接下来讲解基于像素操作的图像灰度化处理方法，主要是最大值灰度处理、平均灰度处理和加权平均灰度处理方法。

1.最大值灰度处理方法

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：

其方法灰度化处理后的灰度图亮度很高，实现代码如下。

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取原始图像
img = cv2.imread(\'miao.png\')
#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()

其输出结果如下图所示，其处理效果的灰度偏亮。

2.平均灰度处理方法

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：

平均灰度处理方法实现代码如下所示：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取原始图像
img = cv2.imread(\'miao.png\')
#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])) / 3
 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()

其输出结果如下图所示：

3.加权平均灰度处理方法

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。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

加权平均灰度处理方法实现代码如下所示：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
#读取原始图像
img = cv2.imread(\'miao.png\')
#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()

其输出结果如下图所示：

参考文献：

• 杨秀璋等. 基于苗族服饰的图像锐化和边缘提取技术研究[J]. 现代计算机，2018(10).
• 《数字图像处理》（第3版），冈萨雷斯著，阮秋琦译，电子工业出版社，2013年.
• 《数字图像处理学》（第3版），阮秋琦，电子工业出版社，2008年，北京.
• 《OpenCV3编程入门》，毛星云，冷雪飞，电子工业出版社，2015.
• Opencv学习（十六）之颜色空间转换cvtColor()
• python+opencv+图像特效（图像灰度处理、颜色翻转、图片融合，边缘检测，浮雕效果，颜色映射）

该系列在github所有源代码：

• https://github.com/eastmountyxz/ImageProcessing-Python

点击关注，第一时间了解华为云新鲜技术~

来源：https://www.cnblogs.com/huaweiyun/p/16601197.html
本站部分图文来源于网络，如有侵权请联系删除。