图像灰度化方法总结及其VC实现

最新推荐文章于 2023-09-05 15:42:10 发布
最新推荐文章于 2023-09-05 15:42:10 发布
阅读量862 收藏
点赞数
分类专栏： 图像识别

最近一段时间作者开始进行运动目标识别定位系统设计，本文以及后续的几篇文章都是从一个图像处理初学者的角度来总结目标检测定位过程中所应用到的各种常见的算法，尤其是解决算法实现过程中由于粗心大意或者C编程基本功不扎实所引起的各种问题。本文主要对彩色图片灰度化的方法及其实现过程进行总结，最终给出实现的C代码。

     在进行视频流目标识别与跟踪时，通常第一个步骤就是对采集到的彩色图像进行灰度化，这是因为黑白照片数据量小，相比彩照更易实现实时算法，另一方面黑白照片是由未处理的光线所形成的照片，因此从图像处理学角度来看，这种未经特殊滤光处理的图片所涵盖的信息更有价值。

     目前，在图像处理过程中，最常用的彩色图片格式有RGB，HSV、YUV以及HLS三种。以下分别对这三种格式的彩色图像进行灰度化实现。

1、RGB空间图像

     定义于RGB空间的彩色图，其每个像素点的色彩由R、G、B三个分量共同决定。每个分量在内存所占的位数共同决定了图像深度，即每个像素点所占的字节数。以常见的24深度彩色RGB图来说，其三个分量各占1个字节，这样每个分量可以取值为0~255，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。对这样一幅彩色图来说，其对应的灰度图则是只有8位的图像深度（可认为它是RGB三个分量相等），这也说明了灰度图图像处理所需的计算量确实要少。不过需要注意的是，虽然丢失了一些颜色等级，但是从整幅图像的整体和局部的色彩以及亮度等级分布特征来看，灰度图描述与彩色图的描述是一致的。
     对于RGB图像进行灰度化，通俗点说就是对图像的RGB三个分量进行加权平均得到最终的灰度值。最常见的加权方法如下：  

      1）Gray=B；Gray=G；Gray=R

      2）Gray=max(B+G+R)

      3）Gray=(B+G+R)/3

      4）Gray= 0.072169B+ 0.715160G+ 0.212671R

      5）Gray= 0.11B+ 0.59G+ 0.3R

     这三种方法中，第一种为分量法，即用RGB三个分量的某一个分量作为该点的灰度值；第二种方法为最大值法，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。第三种方法将彩色图像中的三分量亮度求平均得到一个灰度图；后两种都是属于加权平均法，其中第四种是OpenCV开放库所采用的灰度权值，第五种为从人体生理学角度所提出的一种权值（人眼对绿色的敏感最高，对蓝色敏感最低）。

2、其他颜色空间的灰度化

     关于HSV以及HLS颜色空间的彩色图灰度化，可以参考网页《HSL和HSV色彩空间》，该网页中所述方法可将几种不同颜色表达方式进行转换，将其转换到RGB空间，然后再采用上述公式进行灰度化。

     关于YUV空间的彩色图像，其Y的分量的物理意义本身就是像素点的亮度，由该值反映亮度等级，因此可根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。

3、代码实现

     本文旨在对整个实现原理及思路进行总结，因此以下基于OpenCv的基本函数实现这几种变化过程，至于位图以及其他形式的图像，在获取了图像原始数据后，处理方法都一样，仅需注意指针的位置操作即可。具体代码如下：

  1. IplImage    *ColorImage;                        //定义相应的图像指针  
  2. IplImage    *GrayImage1;                        //从1~5代表5中不同权值的结果  
  3. IplImage    *GrayImage2;  
  4. IplImage    *GrayImage3;  
  5. IplImage    *GrayImage4;  
  6. IplImage    *GrayImage5;  
  7. IplImage    *GrayImage6;  
  8. IplImage    *GrayImage7;  
  9.   
  10. ColorImage = cvLoadImage( "49138.jpg", -1 );    //读取图片  
  11. if (ColorImage == NULL)  
  12.     return;   
  13.   
  14. GrayImage1 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  15. GrayImage2 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  16. GrayImage3 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  17. GrayImage4 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  18. GrayImage5 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  19. GrayImage6 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  20. GrayImage7 = cvCreateImage(cvGetSize(ColorImage),8,1);  
  21.   
  22. CvMat* pGrayMat1 = NULL;         //定义与图像关联的数据指针  
  23. CvMat* pGrayMat2 = NULL;  
  24. CvMat* pGrayMat3 = NULL;  
  25. CvMat* pGrayMat4 = NULL;  
  26. CvMat* pGrayMat5 = NULL;  
  27. CvMat* pGrayMat6 = NULL;  
  28. CvMat* pGrayMat7 = NULL;  
  29.   
  30. pGrayMat1 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  31. pGrayMat2 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  32. pGrayMat3 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  33. pGrayMat4 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  34. pGrayMat5 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  35. pGrayMat6 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  36. pGrayMat7 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  
  37.   
  38. BYTE data1;       //中间过程变量  
  39. BYTE data2;  
  40. BYTE data3;  
  41. BYTE data4;  
  42. BYTE data5;  
  43. BYTE data6;  
  44. BYTE data7;  
  45. for(int j=0; j<ColorImage->height; j++)  
  46. {  
  47.     for(int i=0; i<ColorImage->width; i++)  
  48.     {             
  49.         data1 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3];     //B分量  
  50.         data2 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3 + 1]; //G分量  
  51.         data3 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3 + 2]; //R分量  
  52.         data4 = max(data1, max(data2, data3));    //最大值  
  53.         data5 = (BYTE)((data1 + data2 + data3)/3);  
  54.         data6 = (BYTE)(0.072169*data1 + 0.715160*data2 + 0.212671*data3);  
  55.         data7 = (BYTE)(0.11*data1 + 0.59*data2 + 0.30*data3);  
  56.         cvmSet(pGrayMat1, j, i, data1);  
  57.         cvmSet(pGrayMat2, j, i, data2);  
  58.         cvmSet(pGrayMat3, j, i, data3);  
  59.         cvmSet(pGrayMat4, j, i, data4);  
  60.         cvmSet(pGrayMat5, j, i, data5);  
  61.         cvmSet(pGrayMat6, j, i, data6);  
  62.         cvmSet(pGrayMat7, j, i, data6);  
  63.     }  
  64. }  
  65. cvConvert(pGrayMat1, GrayImage1);  
  66. cvConvert(pGrayMat2, GrayImage2);  
  67. cvConvert(pGrayMat3, GrayImage3);  
  68. cvConvert(pGrayMat4, GrayImage4);  
  69. cvConvert(pGrayMat5, GrayImage5);  
  70. cvConvert(pGrayMat6, GrayImage6);  
  71. cvConvert(pGrayMat7, GrayImage7);  
  72.   
  73. cvNamedWindow( "ColorImage",CV_WINDOW_AUTOSIZE);  
  74. cvNamedWindow( "GrayImage1",CV_WINDOW_AUTOSIZE);  
  75. cvNamedWindow( "GrayImage2",CV_WINDOW_AUTOSIZE);  
  76. cvNamedWindow( "GrayImage3",CV_WINDOW_AUTOSIZE);  
  77. cvNamedWindow( "GrayImage4",CV_WINDOW_AUTOSIZE);  
  78. cvNamedWindow( "GrayImage5",CV_WINDOW_AUTOSIZE);  
  79. cvNamedWindow( "GrayImage6",CV_WINDOW_AUTOSIZE);  
  80. cvNamedWindow( "GrayImage7",CV_WINDOW_AUTOSIZE);  
  81.   
  82. cvShowImage("ColorImage", ColorImage);  
  83. cvShowImage("GrayImage1", GrayImage1);  
  84. cvShowImage("GrayImage2", GrayImage2);  
  85. cvShowImage("GrayImage3", GrayImage3);  
  86. cvShowImage("GrayImage4", GrayImage4);  
  87. cvShowImage("GrayImage5", GrayImage5);  
  88. cvShowImage("GrayImage6", GrayImage6);  
  89. cvShowImage("GrayImage7", GrayImage7);  
  90.       
  91. cvWaitKey(0);  
  92. cvDestroyWindow("ColorImage");  
  93. cvDestroyWindow("GrayImage1");  
  94. cvDestroyWindow("GrayImage2");  
  95. cvDestroyWindow("GrayImage3");  
  96. cvDestroyWindow("GrayImage4");  
  97. cvDestroyWindow("GrayImage5");  
  98. cvDestroyWindow("GrayImage6");  
  99. cvDestroyWindow("GrayImage7");  
  100.   
  101. cvReleaseImage(&ColorImage);  
  102. cvReleaseImage(&GrayImage1);  
  103. cvReleaseImage(&GrayImage2);  
  104. cvReleaseImage(&GrayImage3);  
  105. cvReleaseImage(&GrayImage4);  
  106. cvReleaseImage(&GrayImage5);  
  107. cvReleaseImage(&GrayImage6);  
  108. cvReleaseImage(&GrayImage7);  
  109.   
  110. cvReleaseMat(&pGrayMat1);  
  111. cvReleaseMat(&pGrayMat2);  
  112. cvReleaseMat(&pGrayMat3);  
  113. cvReleaseMat(&pGrayMat4);  
  114. cvReleaseMat(&pGrayMat5);  
  115. cvReleaseMat(&pGrayMat6);  
  116. cvReleaseMat(&pGrayMat7);  

     各种不同方法实现灰度化的效果图对比如下;


图1 待处理的原始图像—脱离低级趣味的猫


图2 分量灰度化—B分量


图3 分量灰度化—G分量


图4 分量灰度化—R分量


图5 最大值灰度化


图6 均值灰度化


图7 OpenCV权值系数灰度化


图8 网络常用权值灰度化

4、思考

     上文的代码实现中，以最后一种方法为例，用到了如下代码：

     Gray= (0.11* Blue + 0.59* Green + 0.30* Red);

     实际计算机处理时，这种方法已经很快了，但实际上还存在可以优化的余地。以上代码所采用的是浮点运算。而在图像处理中，速度就是生命，实时性往往是很重要的指标，这就要求我们在实现算法时必须考虑到代码的效率问题。所以有一个原则：在图像处理中，能不用浮点运算，就最好不要用！

     因此，上述代码可以等效的优化为：

     Gray = (30 * Red + 59 *Green + 11 * Blue) / 100;

     这样一改，可以有效避免浮点运算，因此可以提高代码的效率

     对这行代码还可以继续改进为如下：

     Gray= HiByte(77 * Red + 151 * Green + 28 * Blue);

     其中77,151,28分别除以256，即为上文的三个系数。

     同样的，还可以实现为：

     Gray= (77 * Red + 151 * Green + 28 * Blue) shr 8;

     这种方法实现了移位运算，避免了除法，效率上又有所提高。

     关于具体的代码效率问题，可以参考博文《由图像的灰度化看基本图像处理》。
转自：http://blog.csdn.net/likezhaobin/article/details/6915754
Maria21
关注
专栏目录
C/C++/Python图像处理算法实战【3】彩色图像灰度化和二值化处理
穿着帆布鞋也能走猫步
09-21 1570
彩色图像灰度化和二值化处理
灰度变换 VC 实现图像的灰度转换
11-21
根据给定的信息，本文将详细解释灰度变换的概念、实现原理以及通过Visual C++ (VC) 编程语言实现图像灰度转换的具体方法。 ### 一、灰度变换概述 灰度变换是一种图像处理技术，它通过对图像中的每个像素进行颜色...
【图像边缘检测】CNN灰度图像边缘提取【含Matlab源码 490期】
Matlab领域的博客
01-20 652
CNN灰度图像边缘提取 完整的代码，方可运行；可提供运行操作视频！适合小白！
从0开始 yolov5可以用灰度图像进行训练和检测吗
最新发布
qq_42835363的博客
09-05 5505
通常我们采用RGB图像做目标检测，考虑多路视频流同时做目标检测时，消耗显卡算力和推理时间较多。现通过实验对比对灰度图（GRAY）和RGB图做训练和测试对比。
图像的基本知识
guoke312的专栏
03-14 5040
原文：http://blog.csdn.net/strive_0902/article/details/78023080​1、像素点​像素点是最小的图像单元，一张图片由好多的像素点组成。如下图     可以看到上述图片尺寸是500 * 338 的，表示图片是由一个500 * 338的像素点矩阵构成的，这张图片的宽度是500个像素点的长度，高度是338个像素点的长度，共有500 * 338 = 14...
灰度可视化
ID4277的博客
08-27 166
通过算法展示灰度的渐变过程
Canny边缘检测算法原理及其VC实现详解
04-15
通过理解Canny算法的原理并掌握其在VC环境中的实现，我们可以创建一个有效的边缘检测系统，适用于各种应用场景，如图像分析、机器视觉和自动化检测。理解并实践这些步骤将加深对图像处理和计算机视觉的理解，对于...
VC实现灰度共生矩阵计算纹理特征
04-08
- 接下来，遍历图像的每个像素，对于每个像素，检查其邻域内的像素，记录它们的灰度值对及其出现次数。 - 将这些数据整理到一个矩阵中，即灰度共生矩阵。矩阵的行和列对应于原图像的灰度值，矩阵的元素表示特定...
oledwcomATMEGA32实现的单色OLED显示灰度图像VC代码
10-15
标题中的“oledwcomATMEGA32实现的单色OLED显示灰度图像VC代码”涉及了几个关键的IT知识点，主要包括OLED显示器、ATMEGA32微控制器以及灰度图像处理和Visual C++（简称VC）编程。下面将详细解释这些概念及其相互关系...
VC图像灰度变换、直方图增强、几何变换
06-20
当用户选择某项操作时，对应的处理函数会被调用，从而实现图像的灰度变换、直方图增强或几何变换。 为了实现这一功能，你需要理解Windows消息机制，掌握MFC（Microsoft Foundation Classes）或WinAPI来构建图形用户...
图像预处理算法————灰度化处理
weixin_48988753的博客
08-14 5626
图像预处理算法适合在FPGA上完成，原理简单且需要快速处理，通常有灰度化、中值、均值滤波等，以及颜色空间转换算法。灰度图像是一种特殊的彩色图像（R=G=B的彩色图像） 只有一种颜色分量，单通道的0-255方法：一般有分量法、最大值法、平均值法、加权平均法四种方法对彩色图像进行灰度化。 除以256可以看作是向右移8位，同样，512，1024，2048等2的n次都可以分析：只有加法乘法以及移位操作 //求平均法GRAY = (R+B+G)/3=（(R+B+G)*85）>>8 =（(R+B+G)*（64+16
OpenCV笔记（四）CvMat结构体初解1
Zenail的专栏
03-24 1465
CvMat：矩阵类型结构体。 一、创建矩阵： 法1：直接创建，然后使用cvReleaseMat()释放。 cvCreateMat(int rows, int cols, int type)  rows：行； cols：列； type：可以是任何预定义类型（type的写法：CV_C，其中：8,16,...：位数；U：无符号；S：有符号；F：浮点型；C：channels通道；1,2,3,4：通道
图像处理之图像灰度化
weixin_42491648的博客
07-11 3586
图像灰度化： 将彩色图像转化成为灰度图像的过程成为图像的灰度化处理
如何通过PYthon进行图像的暗化处理
qq_21813987的博客
01-12 3481
如何使用python的numpy和python库中的PIL中的Image类进行图像的手绘处理 1. 手绘的情况要考虑原图的明暗程度以及光照的影响。 2. 图像的明暗程度的变化可以用grad u(i,j,k)梯度进行表示，直接调用numpy中的gradient（a）即可对ndarray数组进行梯度化 3.通过降维度函数convert('L'),将图像数组降为二维，进行灰度化 4.将光源效果，
OpenCV笔记002————gray image
weixin_45947476的博客
09-28 1027
gray image代码注释如下： import cv2 src = cv2.imread("dataset/train/bees/1.png") cv2.namedWindow("input", cv2.WINDOW_AUTOSIZE) cv2.imshow("input", src) gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) # cv2.cvtColor(p1,p2) 是颜色空间转换函数，p1是需要转换的图片，p2是转换成何种格式。 # BGR和灰度图的
图像灰度化处理
crossoverpptx的博客
10-11 2万+
在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255，当灰度为255的时候，表示最亮（纯白）；当灰度为0的时候，表示最暗（纯黑）。灰度化的好处是：相较于彩色图像灰度图像占内存更小，运行速度更快；灰度图像后可以在视觉上增加对比，突出目标区域。
灰度、灰度级、分辨率、像素值；
热门推荐
Strive_0902的博客
09-18 8万+
​1、像素点 像素点是最小的图像单元，一张图片由好多的像素点组成。如下图          可以看到上述图片尺寸是500 * 338 的，表示图片是由一个500 * 338的像素点矩阵构成的，这张图片的宽度是500个像素点的长度，高度是338个像素点的长度，共有500 * 338 = 149000个像素点。  2、像素 把鼠标放在一个图片上，这个时候会显示尺寸和大小，这里的尺寸就是像素...
【OpenCV】矩阵的创建与释放
Kigha的博客
03-13 3629
矩阵有多种创建方法。最常见的方法是用cvCreateMat( )，它由多个原函数组成，如cvCreateMatHeader( )和cvCreateData( )。cvCreateMatHeader( )函数创建CvMat结构，不为数据分配内存，而cvCreateData( )函数只负责数据的内存分配。第三中方法是用函数cvCloneMat(CvMat*),它依据一个现有的矩阵创建一个新的矩阵。但这
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值