色彩转换系列之RGB图转灰度图原理及实现

最新推荐文章于 2024-09-11 21:34:37 发布

生活需要深度

最新推荐文章于 2024-09-11 21:34:37 发布

阅读量1.4k

点赞数 25

文章标签：计算机视觉人工智能 opencv

本文链接：https://blog.csdn.net/u012294613/article/details/141095933

版权

OpenCV 专栏收录该内容

67 篇文章 2 订阅

订阅专栏

写在前面
彩色图转灰度图在图像处理中应用非常非常广泛，而且很多算法只对灰度图有效，所以彩色图转灰度是十分重要和关键的。

RGB（红绿蓝）是依据人眼识别的颜色定义出的空间，可表示大部分颜色。但在科学研究一般不采用RGB颜色空间，因为它的细节难以进行数字化的调整。它将色调，亮度，饱和度三个量放在一起表示，很难分开。它是最通用的面向硬件的彩色模型。该模型用于彩色监视器和一大类彩色视频摄像。

RGB颜色空间基于颜色的加法混色原理，从黑色不断叠加Red，Green，Blue的颜色，最终可以得到白色光，如图：

将R、G、B三个通道作为笛卡尔坐标系中的X、Y、Z轴，就得到了一种对于颜色的空间描述，如图：

RGB转灰度图
对于彩色转灰度，有一个很著名的心理学公式：

Gray = R*0.299 + G*0.587 + B*0.114

直接计算因为是浮点型计算，所以复杂度较高，速度较低。所以我们考虑优化，可以将小数转为整数，除法变为移位，乘法也变为移位（整数计算比浮点型快，移位运算和加减法比乘除法快），但是这种方法也会带来一定的精度损失，我们可以根据实际情况选择需要保留的精度位数。下面给出不同精度(2-20位)的计算公式：

Grey = (R*1 + G*2 + B*1) >> 2

Grey= (R*2 + G*5 + B*1) >> 3

Grey= (R*4 + G*10 + B*2) >> 4

Grey = (R*9 + G*19 + B*4) >> 5

Grey = (R*19 + G*37 + B*8) >> 6

Grey= (R*38 + G*75 + B*15) >> 7

Grey= (R*76 + G*150 + B*30) >> 8

Grey = (R*153 + G*300 + B*59) >> 9

Grey = (R*306 + G*601 + B*117) >> 10

Grey = (R*612 + G*1202 + B*234) >> 11

Grey = (R*1224 + G*2405 + B*467) >> 12

Grey= (R*2449 + G*4809 + B*934) >> 13

Grey= (R*4898 + G*9618 + B*1868) >> 14

Grey = (R*9797 + G*19235 + B*3736) >> 15

Grey = (R*19595 + G*38469 + B*7472) >> 16

Grey = (R*39190 + G*76939 + B*14943) >> 17

Grey = (R*78381 + G*153878 + B*29885) >> 18

Grey =(R*156762 + G*307757 + B*59769) >> 19

Grey= (R*313524 + G*615514 + B*119538) >> 20

实现：
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>

cv::Mat RGB2GRAY(cv::Mat src, bool accelerate=false){
   CV_Assert(src.channels()==3);
   cv::Mat dst = cv::Mat::zeros(src.size(), CV_8UC1);
   cv::Vec3b rgb;
   int r = src.rows;
   int c = src.cols;

   for (int i = 0; i < r; ++i){
       for (int j = 0; j < c; ++j){
           rgb = src.at<cv::Vec3b>(i, j);
           uchar B = rgb[0]; uchar G = rgb[1]; uchar R = rgb[2];
           if (accelerate = false){
               dst.at<uchar>(i, j) = R*0.299 + G*0.587 + B*0.114; //原式
           }
           else{
               dst.at<uchar>(i, j) = (R * 4898 + G * 9618 + B * 1868) >> 14; //优化
           }
       }
   }
   return dst;
}

int main(){
   cv::Mat src = cv::imread("I:\\Learning-and-Practice\\2019Change\\Image process algorithm\\Img\\lena.jpg");

   if (src.empty()){
       return -1;
   }
   cv::Mat dst,dst1;

   //opencv自带
   double t2 = (double)cv::getTickCount(); //测时间
   cv::cvtColor(src, dst1, CV_RGB2GRAY);
   t2 = (double)cv::getTickCount() - t2;
   double time2 = (t2 *1000.) / ((double)cv::getTickFrequency());
   std::cout << "Opencv_rgb2gray=" << time2 << " ms. " << std::endl << std::endl;

   //RGB2GRAY
   double t1 = (double)cv::getTickCount(); //测时间
   dst = RGB2GRAY(src, true);
   t1 = (double)cv::getTickCount() - t1;
   double time1 = (t1 *1000.) / ((double)cv::getTickFrequency());
   std::cout << "My_rgb2gray=" << time1 << " ms. " << std::endl << std::endl;

   cv::namedWindow("src", CV_WINDOW_NORMAL);
   imshow("src", src);
   cv::namedWindow("My_rgb2gray", CV_WINDOW_NORMAL);
   imshow("My_rgb2gray", dst);
   cv::namedWindow("Opencv_rgb2gray", CV_WINDOW_NORMAL);
   imshow("Opencv_rgb2gray", dst1);
   cv::waitKey(0);
   return 0;

}