该系列文章是讲解Python
OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助,如果有不足之处,还请海涵~

同时推荐作者的C++图像系列知识:
[数字图像处理] 一.MFC详解显示BMP格式图片
<https://blog.csdn.net/eastmount/article/details/18238863>
[数字图像处理] 二.MFC单文档分割窗口显示图片
<https://blog.csdn.net/eastmount/article/details/18987539>
[数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解
<https://blog.csdn.net/eastmount/article/details/46010637>
[数字图像处理] 四.MFC对话框绘制灰度直方图
<https://blog.csdn.net/eastmount/article/details/46237463>
[数字图像处理] 五.MFC图像点运算之灰度线性变化、灰度非线性变化、阈值化和均衡化处理详解
<https://blog.csdn.net/eastmount/article/details/46312145>
[数字图像处理] 六.MFC空间几何变换之图像平移、镜像、旋转、缩放详解
<https://blog.csdn.net/eastmount/article/details/46345299>
[数字图像处理] 七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解
<https://blog.csdn.net/eastmount/article/details/46378783>

前文参考:
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
<https://blog.csdn.net/Eastmount/article/details/81748802>
[Python图像处理] 二.OpenCV+Numpy库读取与修改像素
<https://blog.csdn.net/eastmount/article/details/82120114>
[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
<https://blog.csdn.net/eastmount/article/details/82177300>
[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
<https://blog.csdn.net/Eastmount/article/details/82216380>
[Python图像处理] 五.图像融合、加法运算及图像类型转换
<https://blog.csdn.net/Eastmount/article/details/82347501>
[Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
<https://blog.csdn.net/Eastmount/article/details/82454335>
[Python图像处理] 七.图像阈值化处理及算法对比
<https://blog.csdn.net/Eastmount/article/details/83548652>
[Python图像处理] 八.图像腐蚀与图像膨胀
<https://blog.csdn.net/Eastmount/article/details/83581277>
[Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
<https://blog.csdn.net/Eastmount/article/details/83651172>
[Python图像处理] 十.形态学之图像顶帽运算和黑帽运算
<https://blog.csdn.net/Eastmount/article/details/83692456>
[Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图
<https://blog.csdn.net/Eastmount/article/details/83758402>
[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正
<https://blog.csdn.net/Eastmount/article/details/88679772>
[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
<https://blog.csdn.net/Eastmount/article/details/88712004>


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

PS:文章参考自己以前系列图像处理文章及OpenCV库函数,同时,本篇文章涉及到《计算机图形学》基础知识,请大家下来补充。

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()
<https://blog.csdn.net/keith_bb/article/details/53470170>
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)
<https://blog.csdn.net/weixin_39881922/article/details/80889344>

<>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:

希望文章对大家有所帮助,如果有错误或不足之处,还请海涵。最近连续奔波考博,经历的事情太多,有喜有悲,需要改变自己好好对女神,也希望读者与我一起加油。
(By:Eastmount 2019-03-25 早上8点 https://blog.csdn.net/Eastmount/)
<https://blog.csdn.net/Eastmount/%EF%BC%89>

友情链接
ioDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:637538335
关注微信