计算机视觉入门之图像处理＜二＞：图像处理基础概念

往期文章回顾
计算机视觉入门之<零>
计算机视觉入门之图像处理<一>：图像处理基础概念

---

接着上一篇文章计算机视觉入门之图像处理<一>：图像处理基础概念继续了解图像处理的相关基础知识，本篇文章主要包括颜色模型、图像灰度化及图像的取样和量化等基础概念。本系列文章并未涉及到图像处理所有的知识，若有不足之处，请多多包含！

对比度

对比度指的是不同颜色之间的差别。对比度=最大灰度值-最小灰度值，根据公式可知，图像的颜色差异越大，对比度也就越大。

RGB模型

RGB模型基于笛卡尔右手坐标系，黑色位于原点处，白色位于离原点最远的对角顶点处，在黑色到白色的这条对角线上，R、G、B三个通道的灰度值相同，灰度沿着这条对角线从黑色延伸到白色。

频率

频率是灰度值变化剧烈程度的指标，表示为图像在空间域上的梯度。频率越高，梯度越大，说明相邻像素差值较大，像素值变化明显；频率越低，梯度越小，说明相邻像素差值较小，像素值基本无变化。
频率高的部分称为高频，即该部分图像可能存在不连续情况（如图像的边缘，物体与背景不连续，像素值变化大），因此可利用此特点进行图像边缘特征提取；频率低的部分称为低频，该部分图像像素连续且变化不明显。

图像取样和量化

一幅图像可以定义一个二维函数f(x, y)，对于任何一对空间坐标(x, y)处的函数值f称为图像在该点处的强度或灰度，而当x、y和灰度值f均为有限的离散值时，这幅图像被称之为数字图像。因此数字图像可以理解为一个三维数组如img[x, y, c]，x表示x坐标，y表示y坐标，c表示对应的通道，（c=0表示B通道， c=1表示G通道， c=2表示R通道，基于opencv）
为了表示一幅数字图像，首先需要将传感器输出的连续感知数据转换为数字形式，这个转换过程主要包括：取样和量化。

对坐标值进行数字化称为取样，取样的过程类似于连续信号离散化采样的过程，如上图所示，若单位面积内采样间隔和行间隔越大，则像素点数越少，分辨率越低，图像细节表示不清晰，因此，图像取样质量的高低可以用图像分辨率来衡量。

对幅值的数字化过程称为量化，为了方便图像存储和运算，需要将连续的幅值数字化，根据不同的需求，可以进行不同级别的量化。如上图所示，量化就是将某个连续区间内的灰度值都用某一个整数灰度值表示，这样根据需要，调整连续区间的大小即可进行不同级别的量化。量化等级越大，则图像表现的灰度级就越广（8bit量化最大灰度值可达到255），量化等级越小，则图像表现的灰度级就越窄。

图像灰度化

为什么要进行图像灰度化？首先，图像的颜色受光照等多种因素影响，颜色本身不能提供本质性的特征，而图像灰度化更有利于获取关键信息；其次，图像的灰度化将三通道的的彩色图像转换为单通道灰度图，实际应用中这大大减少了数据的运算量和存储量；最后，大多数的特征提取运用到的梯度需要在灰度图中进行计算，而某些实际运用中加上了颜色信息会降低系统的鲁棒性[1]。
图像灰度化就是把彩色图像转换为灰度图像的过程， 其中二值图是灰度图的一个特例。通常采用以下几种方法（图像灰度化有很多种方法，在此不一一列举）：

• （1）均值法：gray = (R+G+B)/3
• （2）加权平均法：gray = R0.299+G0.587+B*0.144(权重是根据大量实验数据得到，G通道权重大更符合人眼视觉特性)[2]

核心代码如下：

gray_result_1 = np.zeros([result.shape[0], result.shape[1]], dtype=result.dtype)#创建和原图像尺寸(270，405)一样大的零数组
for i in range(result.shape[0]):
    for j in range(result.shape[1]):
        sum = 0
        for k in range(result.shape[2]):
            sum += result[i, j, k]       #取出各个通道对应坐标的灰度值相加再取平均：(R+G+B)/3
        gray_result_1[i, j] = int(sum/3) #将均值取整赋值到空数组中,另外加权平均的方法修改权重即可实现

gray_result_2 = np.zeros([result.shape[0], result.shape[1], 3], dtype=result.dtype)
for i in range(result.shape[0]):
    for j in range(result.shape[1]):
        sum = 0
        for k in range(result.shape[2]):
            sum += result[i, j, k]
        gray_result_2[i, j, 0] = gray_result_2[i, j, 1]= gray_result_2[i, j, 2] = int(sum/3)#将均值取整后分别赋值到灰度图的各个通道对应的坐标

运行结果:

上图中，图片gray_result_1和图片gray_result_2是图片result灰度化的结果，图片gray_result_1_1和图片gray_result_2_2是图片gray_result_1和图片gray_result_2在同一位置放大后灰度值显示的结果。看到这里可能就会有疑问：灰度图不应该是单通道的吗？为什么三个通道中对应灰度值相等的图还是灰度图？其实我也是不太明白，后来问了老师，老师说图片gray_result_2确实是灰度图，同样可以用RGB(gray, gray, gray)来对图像进行灰度化，彩色图像是三个波段的组合形式，单个波段的都是灰度图像（因为是邮件回复，没有解释太清楚）。所以有没有大佬解释一下，为什么图片gray_result_2是灰度图（这可是三个通道啊）？后续有正确解答的话我会更正文章

小结

图像处理基础概念（并非所有基础概念）到此结束了，文中可能存在许多不足之处，希望大家多多指正，一起学习，一起进步！！！

参考文章： [1]很多图片识别为什么将彩色图像灰度化?
[2][Python图像处理] 一.图像处理基础知识及OpenCV入门函数
[3]数字图像处理：第3版/(美)冈萨雷斯(Gonzalez,R.C),(美)伍兹(Woods, R.E.)著.阮秋琦等译

[Until： 2020年12月26日16时，上面的那个问题困扰了好久，可最后也是不明不白，还是得好好看书，愿所有的深情都不要被辜负，所有的努力都会有回报]