对图像的灰度处理是图像处理中最重要的一个操作,在对图像进行特征提取时就有提取图像灰度特征的步骤。因而总结一下几种学过的灰度处理方法。
方法一:用imread函数直接调参。参数为0时,图片为灰度图;参数为1时,图片为彩色图。
import cv2
import numpy as np
# 方法一:imread方法
img1 = cv2.imread('OpenCV\\image0.JPG',0) # 参数0为灰度,1为彩色
img2 = cv2.imread('OpenCV\\image0.JPG',1)
cv2.imshow('src', img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imshow('src', img2)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果如下所示:
方法二:调用cvtColor方法。 对于参数,我们选择cv2.COLOR_BGR2GRAY。
import cv2
import numpy as np
img2 = cv2.imread('OpenCV\\image0.JPG',1)
# 方法二:cvcolor方法
dst = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
cv2.imshow('src', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
我们可以看到,运行结果并没有与第一种方法的结果有明显差异。
方法三:gray = (R + B + G)/ 3 求出RGB的平均值,将平均值赋给矩阵中的每一个元素。即,将R,G,B值改为三者平均。
import cv2
import numpy as np
img2 = cv2.imread('OpenCV\\image0.JPG',1)
# 方法三:gray = (R + B + G)/3
imgInfo = img2.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height, width, 3), np.uint8) # 定义一个空画板
# 使用循环读取矩阵中的每一个元素,即,读取图像中每一个像素的RGB值
for i in range(height):
for j in range(width):
(b,g,r) = img2[i,j]
gray = (int(b) + int(g) + int(r)) / 3
dst[i,j] = np.uint8(gray)
cv2.imshow('src', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
可以很明显看出,使用均值求出的灰度图像与用前两种方法得出的图像不同。似乎这张图没有那么光暗分明。
方法四:将RGB三值乘系数相加。例如:gray = r*0.1 + g*0.2 + b*0.3
import cv2
import numpy as np
img2 = cv2.imread('OpenCV\\image0.JPG',1)
# 方法三:gray = (R + B + G)/3
imgInfo = img2.shape
height = imgInfo[0]
width = imgInfo[1]
dst_01 = np.zeros((height, width, 3), np.uint8) # 定义一个空画板
# 使用循环读取矩阵中的每一个元素,即,读取图像中每一个像素的RGB值
for i in range(height):
for j in range(width):
(b,g,r) = img2[i,j]
gray = int(b)*0.1 + int(g)*0.2 + int(r)*0.3
dst_01[i,j] = np.uint8(gray)
cv2.imshow('src', dst_01)
cv2.waitKey(0)
cv2.destroyAllWindows()
通过运行结果发现,第四种方法好像更暗了一些。但,R、G、B各自的系数可以更改,以此调节得到自己所需要的适当程度的灰度图。