数字图像处理(16): 图像颜色空间转换和 OpenCV图像灰度化处理

柔情只为你懂 2022-02-05 01:11 377阅读 0赞

![20190702121900187.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94aW9uZ3lpbWluZy5ibG9nLmNzZG4ubmV0_size_16_color_FFFFFF_t_70][]

**目录**

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：

<table style="width:439px;"> 
 <thead> 
  <tr> 
   <th style="width:132px;">&nbsp; &nbsp; &nbsp; &nbsp;算法名称</th> 
   <th style="width:304px;">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 算法公式&nbsp;</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td style="vertical-align:top;width:132px;"> <p style="margin-left:0cm;">&nbsp;最大值灰度处理</p> </td> 
   <td style="width:304px;">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;<img alt="gray=\max (R,G,B)" src="https://private.codecogs.com/gif.latex?gray%3D%5Cmax%20%28R%2CG%2CB%29"></td> 
  </tr> 
  <tr> 
   <td style="vertical-align:top;width:132px;"> <p style="margin-left:0cm;">&nbsp; &nbsp;浮点灰度处理</p> </td> 
   <td style="width:304px;">&nbsp; &nbsp; &nbsp;<img alt="gray=0.3R+0.59G+0.11B" src="https://private.codecogs.com/gif.latex?gray%3D0.3R&amp;plus;0.59G&amp;plus;0.11B"></td> 
  </tr> 
  <tr> 
   <td style="vertical-align:top;width:132px;"> <p style="margin-left:0cm;">&nbsp; &nbsp;整数灰度处理</p> </td> 
   <td style="width:304px;">&nbsp; &nbsp;<img alt="gray=(30R+59G+11B)/100" src="https://private.codecogs.com/gif.latex?gray%3D%2830R&amp;plus;59G&amp;plus;11B%29/100"></td> 
  </tr> 
  <tr> 
   <td style="vertical-align:top;width:132px;"> <p style="margin-left:0cm;">&nbsp; &nbsp;移位灰度处理</p> </td> 
   <td style="width:304px;">&nbsp;&nbsp;<img alt="gray=(28R+151G+77B)>>8" src="https://private.codecogs.com/gif.latex?gray%3D%2828R&amp;plus;151G&amp;plus;77B%29%3E%3E8"></td> 
  </tr> 
  <tr> 
   <td style="vertical-align:top;width:132px;"> <p style="margin-left:0cm;">&nbsp; &nbsp;平均灰度处理</p> </td> 
   <td style="width:304px;">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;<img alt="gray=(R,G,B)/3" src="https://private.codecogs.com/gif.latex?gray%3D%28R%2CG%2CB%29/3"></td> 
  </tr> 
  <tr> 
   <td style="vertical-align:top;width:132px;"> <p style="margin-left:0cm;">加权平均灰度处理</p> </td> 
   <td style="width:304px;">&nbsp;<img alt="gray=0.299R+0.587G+0.144B" src="https://private.codecogs.com/gif.latex?gray%3D0.299R&amp;plus;0.587G&amp;plus;0.144B"></td> 
  </tr> 
 </tbody> 
</table>

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

![gray=0.299R+0.587G+0.144B][gray_0.299R_0.587G_0.144B]

--------------------

# 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-8
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    
    #读取原始图像
    img_BGR = cv2.imread('zxp.jpg')
    
    #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 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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70][]

--------------------

# 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：

![gray=\\max (R,G,B)][gray_max _R_G_B]

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('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）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70 1][]

## 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：

![gray=(R,G,B)/3][gray_R_G_B_3]

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('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]))  /  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()

运行结果如下图所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70 2][]

## 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：

![gray=0.299R+0.587G+0.144B][gray_0.299R_0.587G_0.144B]

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('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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70 3][]

--------------------

# 参考资料 #

\[1\][https://blog.csdn.net/Eastmount/article/details/88785768][https_blog.csdn.net_Eastmount_article_details_88785768]

\[2\] [Python+OpenCV图像处理][Python_OpenCV]

[20190702121900187.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly94aW9uZ3lpbWluZy5ibG9nLmNzZG4ubmV0_size_16_color_FFFFFF_t_70]: /images/20220205/cad57b959e384478a163737c1529848a.png
[gray_0.299R_0.587G_0.144B]: https://private.codecogs.com/gif.latex?gray%3D0.299R&plus;0.587G&plus;0.144B
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70]: /images/20220205/cef313ddb29c405e97266279a2af3a98.png
[gray_max _R_G_B]: https://private.codecogs.com/gif.latex?gray%3D%5Cmax%20%28R%2CG%2CB%29
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70 1]: /images/20220205/41451c9f6fed4791b16af822b9893404.png
[gray_R_G_B_3]: https://private.codecogs.com/gif.latex?gray%3D%28R%2CG%2CB%29/3
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70 2]: /images/20220205/c0ce718d93934120abc5a004c8ff7971.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3phaXNodWl5aWZhbmd4eW0_size_16_color_FFFFFF_t_70 3]: /images/20220205/f3aa08564c8f43b483f44b2ecdcbd77b.png
[https_blog.csdn.net_Eastmount_article_details_88785768]: https://blog.csdn.net/Eastmount/article/details/88785768
[Python_OpenCV]: https://study.163.com/course/courseMain.htm?share=1&shareId=1034019066&courseId=1005317018&_trace_c_p_k2_=4e26b9e6debb43c8bc3ea3adbf7b4634