文章目录

一些说明
- 关于示例代码
- 关于依赖环境
- 关于教材
灰度图、亮度图（Gray Image）
彩色图转灰度图
- 一般亮度转换（luminosity method）
- 亮度优先转换（luminosity priority）
- 平均值转换（average method）
- 最小亮度转换（minimum luminosity）
- 最大亮度转换（maximum luminosity）
- 效果对比
- 二值化

一些说明

关于示例代码

我的图像算法的全部示例程序，你都可以在 https://github.com/seagochen/AlgorithmsLearning 找到, 目前只上传了一部分，随着这个系列的完成, 我会同步更新还没有上传的部分。

你可以关注我的博客，又或者把相关文章收藏起来，在你比如面试图像方面的岗位时，又或者学习《数字图像处理》课程时,可以把代码都跑一遍。

需要说明一下, 所有示例代码都是Python完成的，避免使用C/C++或者其他语言，是为了最大程度减少语言特性导致的阅读障碍。

关于OpenCV，它的主要的函数C++ 版本和Python是一致的。所以在理解了程序逻辑后，你也可以很容易的用C/C++复现一遍。

至于程序中用到的素材，主要部分来源于冈萨雷斯的《数字图像处理》，其次是一些在Google上搜索到的公开图片，以及我自己制作的一部分，大部分素材你可以从网上很容易找到，由于这些数据体积很大，所以我没有放在仓库中，而且这不影响你使用。

如果出现了侵权，请你联系我，我会在第一时间内删除。

关于依赖环境

运行Python代码, 目前需要一些依赖包:

numpy
matplotlib
opencv-python

Python版本可以使用3.7的版本，至于怎么安装Python，怎么配置IDE，请你自行在网上搜索相关文章，我这里不做累述。

关于教材

推荐买一本冈萨雷斯的《数字图像处理》，这是从事数字图像领域专业的必备教科书，书中写的很详细，我所写的内容对于这位老教授的书来说，最多只能算是补充和摘要。

你也可以配合一些网上已有的视频，我们IT行业的从业人员大多很热衷于技术分享，所以也有不少教授的公开课的录像、个人UP主制作了这些很棒的内容，这些都是非常不错的借鉴和学习资料。

灰度图、亮度图（Gray Image）

在数字图像中，一张图片是不同的像素的组合。如果用矩阵来表示，就是一个二维的数组，或者说矩阵。每一个元素可以是一个包含3个元素的向量 {R，G，B}向量矩阵，或者仅一个元素的 {Gray} 的元素矩阵。

为了更好的研究各类算法，我们常用灰度图作为研究对象。上图中使用的是林肯的照片，如果研究这张照片的原始数据，会发现它其实是这样一个 W×HW \times HW×H 的元素矩阵，每个元素都是一个范围在 [0,255][0, 255][0,255]的整数。

用数学矩阵进行表示的话，大概就是这个样子：

I=[101555145...15101055...11210145...901800125..................]I = \begin{bmatrix} 10 & 15 & 55 & 145 & ... \\ 15 & 10 & 10 & 55 & ... \\ 1 & 12 & 10 & 145 & ... \\ 90 & 180 & 0 & 125 & ... \\ ... & ... & ... &... & ... \end{bmatrix} I=⎣⎢⎢⎢⎢⎡1015190...151012180...5510100...14555145125..................⎦⎥⎥⎥⎥⎤

当前主流的图像是8比特位的，所以也解释了为什么大多数PNG、JPG、BMP的格式的图片，图像数据范围都是在 [0,255][0, 255][0,255] 的原因。

彩色图转灰度图

将彩色图片转换为灰度图片（亮度图片），经常是数字图像处理中常用到重要一部，转换方法有多种多样，比如在之前文章里提到的HSV等颜色空间中的转换方法，不过在这里我仅提一些在RGB色域空间中常用到的方法。

尽管以下方法，已经有前人实现了相关函数，并广泛存在于各种图形图像函数库中，但我依然希望你能明白理解这些是怎么计算的。

一般亮度转换（luminosity method）

Gray(x)=0.299⋅R+0.587⋅G+0.114⋅BGray(x) = 0.299 \cdot R + 0.587 \cdot G + 0.114 \cdot BGray(x)=0.299⋅R+0.587⋅G+0.114⋅B

这是一种权重转换，对于每个像素，分别对应其RGB色道上的数据，乘以对应的权重，例如(0.299,0.587,0.114)(0.299, 0.587, 0.114)(0.299,0.587,0.114)，这一类权重，通常在G色道上保留较大的权重，而对于R、B色道上保留较小权重。保留较多的G色道，主要因为在G色道上能保有较多的数据，且人眼对于黄、绿、青的光更为敏感。

在人眼可感知的可见光波的 400nm - 700nm这样一个范围里，绿色、黄色、青色处于可见光光带中央，具备最大的颜色覆盖度，也就是最大的亮度覆盖范围，所以无论哪一种权重转换，都需要尽最大可能保留绿色、黄色、青色的占比权重。

因此对于RGB三原色来说，保留最多的绿色，和适量的红色和蓝色，可以近似的模拟出我们对于光通量的感受情况。如果有需要知道更多细节，可以看看这篇文章《为你更新色彩观: 直观理解光谱和颜色》

原图：

这样的实现代码其实很简单：


def rgb_2_gray_normal(rgb_file: str):image = cv2.imread(rgb_file)row, col, channel = image.shapeimage_gray = np.zeros((row, col))for r in range(row):for l in range(col):# convert rgb image to gray image# gray = 0.299⋅R + 0.587⋅G + 0.114⋅Bimage_gray[r, l] =  0.114 * image[r, l, 0] + \0.587 * image[r, l, 1] + \0.299 * image[r, l, 2]print_matrix(image_gray)return image_gray

最终输出效果

亮度优先转换（luminosity priority）

Gray(X)=max(R,G,B)+min(R,G,B)2Gray(X) = \frac{max(R,G,B) + min(R, G, B)}{2}Gray(X)=2max(R,G,B)+min(R,G,B)

实现代码：


def rgb_2_gray_brightness(rgb_file: str):image = cv2.imread(rgb_file)row, col, channel = image.shapeimage_gray = np.zeros((row, col))for r in range(row):for l in range(col):image_gray[r, l] = 0.5 * max(image[r, l, 0], image[r, l, 1], image[r, l, 2]) +\0.5 * min(image[r, l, 0], image[r, l, 1], image[r, l, 2])print_matrix(image_gray)return image_gray

输出效果

平均值转换（average method）

亮度转换

Gray(X)=R+G+B3Gray(X) = \frac{R + G + B}{3}Gray(X)=3R+G+B

输出效果：

最小亮度转换（minimum luminosity）

Gray(X)=min(R,G,B)Gray(X) = min(R, G, B)Gray(X)=min(R,G,B)


def rgb_2_gray_min(rgb_file: str):image = cv2.imread(rgb_file)row, col, channel = image.shapeimage_gray = np.zeros((row, col))for r in range(row):for l in range(col):image_gray[r, l] = min(image[r, l, 0], image[r, l, 1], image[r, l, 2])print_matrix(image_gray)return image_gray

输出效果

最大亮度转换（maximum luminosity）

Gray(X)=max(R,G,B)Gray(X) = max(R, G, B)Gray(X)=max(R,G,B)


def rgb_2_gray_max(rgb_file: str):image = cv2.imread(rgb_file)row, col, channel = image.shapeimage_gray = np.zeros((row, col))for r in range(row):for l in range(col):image_gray[r, l] = max(image[r, l, 0], image[r, l, 1], image[r, l, 2])print_matrix(image_gray)return image_gray

输出效果

效果对比

我们把输出效果进行对比：

相对的来说，采用权重法表现要更柔和一些，当然使用哪一种方法，纯粹依据具体情况来定。例如对于原图本身亮度欠佳的，采用最大亮度的方式会更合适，但对于本来已经光污染的图片来说，也许用最小亮度会更合适一些。

除了这些线性的方式，也有一些采用二次采样曲线的转换方法，以及转换颜色空间到HSV，以纯粹亮度进行输出的方法，这里就不做更多的赘述了。有兴趣的朋友可以自行查找相关资料，做做实验看一看。

二值化

除了灰度图以外，还有另外一类只有黑白的所谓二值化的颜色转换方法。“二值化”，也被称为黑白图像，它的颜色状态只有黑和白两种。也是一种比较常见的图像。它之所以能够存在，其一是压缩后的数据体量更小，便于网络传输，其二是在一些传统的新闻出版行业，可以节省印刷成本。当然，缺点也是有的，就是图片经过二值化后，会丢失很多细节。

比如这样的一个函数，可以当作二值化的处理函数：

Black(Y)={255X>900otherwiseBlack(Y) = \left\{\begin{matrix} 255 & X > 90 \\ 0 & otherwise \end{matrix}\right. Black(Y)={2550X>90otherwise

这里的X表示的是阈值，你可以简单的给定一个常数，比如100，也可以配合灰度直方图，动态的进行调整，以达到最大化保存图片细节的目的。

当然我们也可以使用比如图像抖动的方法，为二值化图像增加足够多的细节，不过这些内容会在我后面的文章里提到，这里就不做过多的补充了。

简单的代码实现方法：


def rgb_2_black(rgb_file: str):image = cv2.imread(rgb_file)row, col, channel = image.shapeimage_gray = np.zeros((row, col))for r in range(row):for l in range(col):# first of all, convert rgb image to grayX = 0.114 * image[r, l, 0] + 0.587 * image[r, l, 1] + 0.299 * image[r, l, 2]if X > 90:image_gray[r, l] = 255else:image_gray[r, l] = 0print_matrix(image_gray)return image_gray

输出效果

[参考资料]

《彩色图像怎样转灰度图像》，saltriver，https://blog.csdn.net/saltriver/article/details/79677116

数字图像学笔记——3.彩色转黑白相关推荐

数字图像学笔记——13. 图像退化与复原（退化函数的评估方法：观察法、实验法、数学建模法与湍流导致的退化）
在对受到多种原因影响的图像进行复原时,我们经常需要先行评估对图像质量产生影响的退化函数,有时甚至需要尝试建模.通过这些手段,能够最大程度上恢复图像上的噪音,并重建高清的图像细节. 文章目录线性位置不 ...
数字图像学笔记——14. 图像退化与复原（线性退化）
文章目录运动导致的退化(线性退化) 水平运动导致的退化垂直运动导致的退化运动导致的退化(线性退化) 在上一章 <数字图像学笔记--13. 图像退化与复原(退化函数的评估方法:观察法.实验法 ...
数字图像学笔记 —— 16. 图像退化与复原（自适应滤波之「最小均方差滤波」）
文章目录图像恢复的一般运算过程什么是「最小均方差滤波」实现步骤实现代码最后的结果图像恢复的一般运算过程我们从前几章的基本理论出发,退化信号恢复成原始信号的步骤,可以概括成两步基本公式.对 ...
数字图像学笔记——7. 噪音生成（泊松噪音生成方法）
文章目录泊松噪音 Knuth算法散列生成算法生成泊松噪音的图像泊松噪音 Knuth算法首先,回顾泊松分布的函数: P(x=k)=e−λλkk!P(x=k) = \frac{e^{- \lam ...
数字图像学笔记——4. 直方图计算、线性变换、对数变换、Gamma变换
文章目录灰度直方图(Gray Histogram) 直方图的计算方法简单的图像转换方法线性变换 / 图像翻转(Image Nagatives) 对数变换(Log Transformation) ...
数字图像学笔记——10. 频域与傅里叶分析方法
频域滤波技术,目前主要使用的有两种类型,一种是傅立叶变换技术,还有一种是小波分析.基本逻辑就是把原始信号映射到频率空间中,使得在时域空间无法处理的信号,得以在另外一种空间体系下能够被较有效的处理. 目 ...
数字图像处理与Python实现笔记之彩色图像处理初步
数字图像处理与Python实现笔记之彩色图像处理初步摘要绪论 1 数字图像处理基础知识 2 彩色图像处理初步 2.1 彩色图像的颜色空间 2.1.1 RGB颜色空间 2.1.2 HSI颜色空间 2 ...
沈逸老师ubuntu速学笔记（2）-- ubuntu16.04下 apache2.4和php7结合编译安装,并安裝PDOmysql扩展...
1.编译安装apache2.4.20 1 第一步: ./configure --prefix=/usr/local/httpd --enable-so 2 第二步: make 3 第三步: sudo ...
数字图像识别学习笔记（第二章-数字图像基础（1））
title: 数字图像识别学习笔记(第二章数字图像基础(1)) categories: 数字图像识别 tags: 数字图像识别 date: 2020/9/30 21:22 mathjax: true ...

数字图像学笔记——3.彩色转黑白

文章目录

一些说明

关于示例代码

关于依赖环境

关于教材

灰度图、亮度图（Gray Image）

彩色图转灰度图

一般亮度转换（luminosity method）

亮度优先转换（luminosity priority）

平均值转换（average method）

最小亮度转换（minimum luminosity）

最大亮度转换（maximum luminosity）

效果对比

二值化

数字图像学笔记——3.彩色转黑白相关推荐

最新文章

热门文章