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:
- 分量法
- Gamma校正灰度化
- 最大值法
- 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