计算机视觉基础系列（python与opencv的操作与运用/tensorflow的基础介绍）（十一）---图片的灰度处理

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。