Python 图像处理丨基于 OpenCV 和像素处理的图像灰度化处理

2022 年 8 月 19 日
广东
本文字数：3319 字
阅读完需：约 11 分钟

本文分享自华为云社区《[Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理》，作者： eastmount 。

本篇文章讲解图像灰度化处理的知识，结合 OpenCV 调用 cv2.cvtColor（）函数实现图像灰度操作，使用像素处理方法对图像进行灰度化处理。基础性知识希望对您有所帮助。

1.图像灰度化原理
2.基于 OpenCV 的图像灰度化处理
3.基于像素操作的图像灰度化处理

一.图像灰度化原理

像灰度化是将一幅彩色图像转换为灰度化图像的过程。彩色图像通常包括 R、G、B 三个分量，分别显示出红绿蓝等各种颜色，灰度化就是使彩色图像的 R、G、B 三个分量相等的过程。灰度图像中每个像素仅具有一种样本颜色，其灰度是位于黑色与白色之间的多级色彩深度，灰度值大的像素点比较亮，反之比较暗，像素值最大为 255（表示白色），像素值最小为 0（表示黑色）。

假设某点的颜色由 RGB（R，G，B）组成，常见灰度处理算法如表 7.1 所示：

表 7.1 中 Gray 表示灰度处理之后的颜色，然后将原始 RGB（R，G，B）颜色均匀地替换成新颜色 RGB（Gray，Gray，Gray），从而将彩色图片转化为灰度图像。

一种常见的方法是将 RGB 三个分量求和再取平均值，但更为准确的方法是设置不同的权重，将 RGB 分量按不同的比例进行灰度划分。比如人类的眼睛感官蓝色的敏感度最低，敏感最高的是绿色，因此将 RGB 按照 0.299、0.587、0.144 比例加权平均能得到较合理的灰度图像，如公式 7.1 所示。

二.基于 OpenCV 的图像灰度化处理

在日常生活中，我们看到的大多数彩色图像都是 RGB 类型，但是在图像处理过程中，常常需要用到灰度图像、二值图像、HSV、HSI 等颜色，OpenCV 提供了 cvtColor（）函数实现这些功能。其函数原型如下所示：

dst = cv2.cvtColor（src， code[， dst[， dstCn]]）

src 表示输入图像，需要进行颜色空间变换的原图像
dst 表示输出图像，其大小和深度与 src 一致
code 表示转换的代码或标识
dstCn 表示目标图像通道数，其值为 0 时，则有 src 和 code 决定

该函数的作用是将一个图像从一个颜色空间转换到另一个颜色空间，其中，RGB 是指 Red、Green 和 Blue，一副图像由这三个通道（channel）构成;Gray 表示只有灰度值一个通道;HSV 包含 Hue（色调）、Saturation（饱和度）和 Value（亮度）三个通道。在 OpenCV 中，常见的颜色空间转换标识包括 CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS 等。

下面是调用 cvtColor（）函数将图像进行灰度化处理的代码。

#encoding:utf-8import cv2  import numpy as np  #读取原始图片src = cv2.imread('miao.png')#图像灰度化处理grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)#显示图像cv2.imshow("src", src)cv2.imshow("result", grayImage)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

复制代码

输出结果如下图所示，左边是彩色的苗族服饰原图，右边是将彩色图像进行灰度化处理之后的灰度图。其中，灰度图将一个像素点的三个颜色变量设置为相当，R=G=B，此时该值称为灰度值。

同样，可以调用 grayImage = cv2.cvtColor（src， cv2.COLOR_BGR2HSV）核心代码将彩色图像转换为 HSV 颜色空间，如下图所示。

下面 Image_Processing_07_02.py 代码对比了九种常见的颜色空间，包括 BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB 和 YUV，并循环显示处理后的图像。

#encoding:utf-8import cv2  import numpy as np  import matplotlib.pyplot as plt#读取原始图像img_BGR = cv2.imread('miao.png')#BGR转换为RGBimg_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)#灰度化处理img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)#BGR转HSVimg_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)#BGR转YCrCbimg_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)#BGR转HLSimg_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)#BGR转XYZimg_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)#BGR转LABimg_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)#BGR转YUVimg_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)#调用matplotlib显示处理结果titles = ['BGR', 'RGB', 'GRAY', 'HSV', 'YCrCb', 'HLS', 'XYZ', 'LAB', 'YUV'] images = [img_BGR, img_RGB, img_GRAY, img_HSV, img_YCrCb, img_HLS, img_XYZ, img_LAB, img_YUV] for i in xrange(9):  plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray')  plt.title(titles[i])  plt.xticks([]),plt.yticks([]) plt.show()

复制代码

其运行结果如图所示：

三.基于像素操作的图像灰度化处理

前面讲述了调用 OpenCV 中 cvtColor（）函数实现图像灰度化的处理，接下来讲解基于像素操作的图像灰度化处理方法，主要是最大值灰度处理、平均灰度处理和加权平均灰度处理方法。

1.最大值灰度处理方法

该方法的灰度值等于彩色图像 R、G、B 三个分量中的最大值，公式如下：

其方法灰度化处理后的灰度图亮度很高，实现代码如下。

#encoding:utf-8import cv2  import numpy as np  import matplotlib.pyplot as plt#读取原始图像img = cv2.imread('miao.png')#获取图像高度和宽度height = img.shape[0]width = img.shape[1]#创建一幅图像grayimg = np.zeros((height, width, 3), np.uint8)#图像最大值灰度处理for i in range(height): for j in range(width): #获取图像R G B最大值        gray = max(img[i,j][0], img[i,j][1], img[i,j][2]) #灰度图像素赋值 gray=max(R,G,B) grayimg[i,j] = np.uint8(gray)#显示图像cv2.imshow("src", img)cv2.imshow("gray", grayimg)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

复制代码

其输出结果如下图所示，其处理效果的灰度偏亮。

2.平均灰度处理方法

该方法的灰度值等于彩色图像 R、G、B 三个分量灰度值的求和平均值，其计算公式如下所示：

平均灰度处理方法实现代码如下所示：

#encoding:utf-8import cv2  import numpy as np  import matplotlib.pyplot as plt#读取原始图像img = cv2.imread('miao.png')#获取图像高度和宽度height = img.shape[0]width = img.shape[1]#创建一幅图像grayimg = np.zeros((height, width, 3), np.uint8)print grayimg#图像平均灰度处理方法for i in range(height): for j in range(width): #灰度值为RGB三个分量的平均值        gray = (int(img[i,j][0]) + int(img[i,j][1]) + int(img[i,j][2])) / 3 grayimg[i,j] = np.uint8(gray)#显示图像cv2.imshow("src", img)cv2.imshow("gray", grayimg)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()

复制代码

其输出结果如下图所示：

3.加权平均灰度处理方法

该方法根据色彩重要性，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对 RGB 三分量进行加权平均能得到较合理的灰度图像。

加权平均灰度处理方法实现代码如下所示：

#encoding:utf-8import cv2  import numpy as np  import matplotlib.pyplot as plt#读取原始图像img = cv2.imread('miao.png')#获取图像高度和宽度height = img.shape[0]width = img.shape[1]#创建一幅图像grayimg = np.zeros((height, width, 3), np.uint8)print grayimg#图像平均灰度处理方法for i in range(height): for j in range(width): #灰度加权平均法        gray = 0.30 * img[i,j][0] + 0.59 * img[i,j][1] + 0.11 * img[i,j][2] grayimg[i,j] = np.uint8(gray)#显示图像cv2.imshow("src", img)cv2.imshow("gray", grayimg)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()