一、图片的灰度化处理
图片的灰度化的原理:
这个灰度化,可以通过调用API进行灰度化处理,也可以通过图片的像素操作,对图片进行灰度化处理。
方法一:用imread读取的时候,设置后面的参数为0。eg:img=imread('1.jpg',0),0代表是灰度图片,且灰度图片的深度信息为1,而彩色图片为3,这里的0->1则代表读取的是彩色图片。
方法二:用cvtColor进行灰度转换,代码是:
import cv2
img = cv2.imread('1.jpg', 1)
# 颜色空间的转换,第一个参数是原始图片数据,第二个是图片颜色空间的转换
dst = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('src', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
展示的效果是:
方法三:通过源码进行实现:
这个方法是每个像素点的像素为:(R+G+B)/3存储到新的矩阵中进行展示,源码是:
import cv2
import numpy as np
img = cv2.imread('1.jpg', 1)
info = img.shape
cv2.imshow('src', img)
height = info[0]
width = info[1]
dst = np.zeros((height, width, 3), np.uint8)
# 灰度化:每个像素为(R+G+B)/3
for i in range(0, height):
for j in range(0, width):
(b, g, r) = img[i, j]
# 读取出来的数据类型是uint8,这里这样运算可能会溢出,所以我们进行数据类型的转换
gray = (int(b)+int(g)+int(r))/3
dst[i, j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)
展示的效果是:
方法四:每个像素点的RGB乘以固定的系数进行存储,这里的代码和上面的相似。
二、灰度化运算的算法优化
算法优化是为了减少运算的时间,对后面的图像运算处理节省更多时间,比如说人脸检测,目标跟踪等等:
算法优化中,我们要知道定点运算比浮点运算要快,加减法要比乘除要快,移位操作也要比乘除法操作要快一些。