灰度值 vs 像素值& 阈值化 vs 截断 vs 归一化 & python显示图像时的处理

记录在进行图像处理当中，常用到的灰度值、像素值区别以及常见图像处理方式

灰度值和像素值的区别

• 像素值：在数字图像中，像素值通常指的是构成图像的最小单元的亮度或颜色值。在彩色图像中，每个像素值通常由红、绿、蓝（RGB）三个颜色通道的值组成，每个通道的取值范围通常是0-255（8位深）。因此，一个像素在彩色图像中可以表示约1670万种颜色（256 × 256 × 256）。

• 灰度值：灰度值是指在灰度图像中每个像素的亮度值，通常也取值范围为0-255，其中0代表黑色，255代表白色，介于两者之间的值表示不同的灰度。灰度图像通常只包含亮度信息，不包含颜色信息。（一般认为灰度图的像素值指的是灰度值）

对应关系

• 灰度图：使用灰度值来表示，每个像素只有一个灰度值，用于表示图像的明暗程度。
• 彩色图：使用像素值来表示，每个像素包含RGB三个通道的值，用于表示颜色和亮度。

在Python图像处理中超出阈值的处理

在Python的图像处理中，常用的库如PIL（Python Imaging Library）或OpenCV，处理超出阈值的像素值时通常有几种方法：

1. 阈值化（Thresholding）：这是一种简单的形式，如果像素值超过某个阈值，它会被设置为最大值（通常是255，表示白色），如果低于阈值，它会被设置为最小值（通常是0，表示黑色）。这种方法常用于灰度图像的二值化（即将图像中的像素值设置为0或255的过程，这样处理后的图像只包含黑白两种颜色。二值化主要用于简化图像分析，便于后续的图像处理任务，如轮廓检测、特征提取等）。

2. 截断（Clipping）：对于超出特定范围的值，可以将它们截断到最大或最小值。例如，如果设置了0-255的范围，任何超出这个范围的值将被设为255或0。

3. 归一化（Normalization）：将图像的像素值重新缩放到一个指定的范围内，通常是0到255。这通常用于调整图像的对比度。
   $$\text{NormalizedValue}=\frac{\text{Value}-\text{MinValue}}{\text{MaxValue}-\text{MinValue}}\times (\text{NewMax}-\text{NewMin})+\text{NewMin}$$

4. 自适应阈值化：与简单阈值化不同，自适应阈值化会根据像素周围区域的亮度自动调整阈值。这对于光照不均匀的图像特别有用。自适应阈值化不是使用全局阈值，而是根据图像局部区域的像素值计算阈值。其数学原理基于局部区域的统计特性，如平均值或加权平均值，使得阈值可以根据局部像素值的分布动态调整。

cv2.imshow()或plt.show()显示图像时,对超出阈值处理方式

对于cv2.imshow():

• 如果图像的数据类型是无符号8位整数(uint8),那么超出0-255范围的像素值将被自动截断到这个范围内。也就是说,小于0的值将变为0,大于255的值将变为255。
• 如果图像的数据类型是浮点数(如float32或float64),cv2.imshow()会将像素值乘以255,然后转换为uint8类型。在此过程中,小于0的值将变为0,大于1的值将变为255。

对于plt.show():

• 如果图像的数据类型是uint8,plt.imshow()会直接显示图像,不对超出范围的像素值进行任何特殊处理。
• 如果图像的数据类型是浮点数,plt.imshow()会将像素值映射到0-1的范围内,然后应用颜色映射表(colormap)进行显示。默认情况下,小于0的值将显示为颜色映射表的最小值所对应的颜色,大于1的值将显示为颜色映射表的最大值所对应的颜色。

cv2.imshow()和plt.imshow()在显示图像时会对超出范围的像素值进行一定的处理,但这并不会改变原始图像数据，原始图像数据中的像素值仍然保持不变。