图像分类（二值图像、灰度图像、彩色图像、深度图像/距离图像）

二值图像

二值图像(Binary Image)，按名字来理解只有两个值，0和1，0代表黑，1代表白，或者说0表示背景，而1表示前景。其保存也相对简单，每个像素只需要1bit就可以完整存储信息。即图像上的每一个像素点的像素值只有两种可能的取值或灰度等级状态，人们经常用黑白、B&W、单色图像表示二值图像。为了更形象的表示，用图表示如下：

                                            

灰度图像

灰度图像(Gray Image)，每个像素的信息由一个量化的灰度来描述的图像，没有彩色信息，1字节（8位）可表示256级灰度【0,255】。

每个像素点只有一个采样颜色，这类图像通常显示为从最暗黑色到最亮的白色的灰度(尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色)灰度图像经常是在单个电磁波频谱如可见光内测量每个像素的亮度得到的，用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，这样可以有256级灰度（如果用16位，则有65536级）。

                                           

很多图片识别为什么将彩色图像灰度化?

参考：https://www.zhihu.com/question/24453478

• 我们识别物体，最关键的因素是梯度（现在很多的特征提取，SIFT,HOG等等本质都是梯度的统计信息），梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了。颜色本身，非常容易受到光照等因素的影响，同类的物体颜色有很多变化。所以颜色本身难以提供关键信息。
• 大多数的医学图像RGB提供的信息量很少（几乎没有），所以可以直接灰度图像来进行后续计算。在这些问题上，反而对灰度图像预处理更重要（当然，CNN发展以后这些预处理作用也小了）。
• 灰度化之后颜色信息丢失，很多color-based算法就不可能这么做，但是很多简单的识别算法对于颜色的依赖性不强，hand-craft特征更多关注边缘梯度信息。工程中很多应用加上color信息之后鲁棒性会下降。灰度化之后矩阵维数下降，运算速度大幅度提高，并且梯度信息仍然保留。

彩色图像

彩色图像(Color Image)，彩色图像是指每个像素由R、G、B分量构成的图像，其中R、G、B由不同的灰度级来描述，每个分量有256级灰度。3字节（24位）可表示一个像素。关于二值、灰度、彩色图像的文章，可以参考以下两个博文(1)\(2).

             

深度图像/距离图像

深度图像(Depth Image)/距离图像(Rang Image)，是指将从图像采集器到场景中各点的距离（深度）作为像素值的图像，它直接反映了景物可见表面的几何形状。深度图像经过坐标转换可以计算为点云数据，有规则及必要信息的点云数据也可以反算为深度图像数据。关于深度图像，可以参考这(1)\(2)，作者讲的很详细。