【图像处理】——图像的灰度化处理（Python实现三种方法——最大值法、平均值法、加权均值法、gamma校正）
目录
一、什么是图像的灰度化？
二、灰度化的几种方法（最大值法、平均值法、加权均值法、gamma校正）
1、直接调用函数：cv2.cvtColor() 图像颜色空间转换
2、最大值法
（1）概念
（2）代码
（3）结果
3、平均值法
（1）概念
（2）“RuntimeWarning: overflow encountered in ubyte_scalars”问题的解决
（3）代码
（4）结果
4、加权均值法
（1）概念
（2）代码
（3）结果
5、gamma校正
（1）概念
（2）代码
（3）结果
三、不同方法之间的比较
四、疑问：怎么利用Python创建一个空的初始化图像？（np.unit8的应用）
1、关键代码
2、图像展示
3、得到灰度图像矩阵对比
4、利用opencv创建图像参考代码（彩色和灰色均有）
一、什么是图像的灰度化？
首先我们知道一张图片的所有颜色都可以通过RGB值调节进行表示，如果是一张彩色图片则RBG值不一定相同，将彩色图片灰度化就是指的是将彩色图片变成黑白的，这时候的RBG三个通道的值是相同的，就是将一幅色彩图像转化为灰度图像的过程。
彩色图像分为R，G，B三个分量，分别显示出红绿蓝等各种颜色，灰度化就是使彩色的R，G，B分量相等的过程。灰度值大的像素点比较亮（像素值最大为255，为白色），反之比较暗（像素最下为0，为黑色）这个过程就是指灰度化，具体可见：《百度百科》
对图像灰度化便于后续对图像的特征进行提取，以及得到图像的灰度曲线图
二、灰度化的几种方法（最大值法、平均值法、加权均值法、gamma校正）
这里以上述经典图片为例进行灰度化处理
1、直接调用函数：cv2.cvtColor() 图像颜色空间转换
img2 = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY) #灰度化：彩色图像转为灰度图像img3 = cv2.cvtColor(img,cv2.COLOR_GRAY2RGB) #彩色化：灰度图像转为彩色图像# cv2.COLOR_X2Y，其中X,Y = RGB, BGR, GRAY, HSV, YCrCb, XYZ, Lab, Luv, HLS
opencv自带的一个函数可以将彩色转化为灰色,通过颜色空间的转换来得到灰度化后的图片
import cv2def gray_cvt(inputimagepath,windowname,outimagepath):img = cv2.imread(inputimagepath)gray_cvt_image = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)#灰度化cv2.namedWindow(windowname) # 这行没啥用 控制显示图片窗口的名字cv2.imshow(windowname, gray_cvt_image)#显示灰度化后的图像cv2.imwrite(outimagepath, gray_cvt_image) # 保存当前灰度值处理过后的文件cv2.waitKey()#等待操作cv2.destroyAllWindows()#关闭显示图像的窗口def main():inputimagepath="colorful_lena.jpg"windowname='gray_cvt'outimagepath="gray_cvt.jpg"gray_cvt(inputimagepath,windowname,outimagepath)if __name__ == '__main__':main()返回的是一个（200,200）的图像，是一个二维数组，这里的元素值就是B=G=R值
2、最大值法
（1）概念
灰度化后的R，G，B得值等于转化前3个值中最大的一个，即：
R=G=B=max（R，G，B）
（2）代码
import cv2def gray_max_rgb(inputimagepath,windowname,outimagepath):img = cv2.imread(inputimagepath)#读取图像，返回的是一个装有每一个像素点的bgr值的三维矩阵gray_max_rgb_image = img.copy()#复制图像，用于后面保存灰度化后的图像bgr值矩阵img_shape = img.shape#返回一位数组（高，宽，3）获得原始图像的长宽以及颜色通道数，一般彩色的颜色通道为3，黑白为1for i in range(img_shape[0]):#按行读取图片的像素bgrfor j in range(img_shape[1]):#对每一行按照列进行每一个像素格子进行读取gray_max_rgb_image[i,j] = max(img[i,j][0],img[i,j][1],img[i,j][2])#求灰度值print(gray_max_rgb_image)cv2.namedWindow(windowname) #控制显示图片窗口的名字cv2.imshow(windowname, gray_max_rgb_image)#显示灰度化后的图像cv2.imwrite(outimagepath, gray_max_rgb_image) # 保存当前灰度值处理过后的文件cv2.waitKey()#等待操作cv2.destroyAllWindows()#关闭显示图像的窗口def main():inputimagepath = "colorful_lena.jpg"windowname = "gray_max_rgb"outimagepath = "gray_max_rgb.jpg"gray_max_rgb(inputimagepath,windowname,outimagepath)if __name__ == '__main__':main()（3）结果
返回的是一个三维矩阵，只是第三维比较特殊，三个元素都是一样的，即R=B=G
print(gray_max_rgb_image)#取最后一维的第一组数据作为参考
3、平均值法
（1）概念
灰度化后R，G，B的值为转化前R,G,B的平均值。即：
R=G=B=(R+G+B)/3
（2）“RuntimeWarning: overflow encountered in ubyte_scalars”问题的解决
这个表明像素值在进行加减操作后出现了像素值的溢出现象，即像素值的值为0-255，如果小于0或者大于255就会出现这种错误，这种情况也可以得到一个转换后的图像但是图片却失真了
RuntimeWarning: overflow encountered in ubyte_scalars gray_mean_rgb_image[i,j] = (img[i,j][0]+img[i,j][1]+img[i,j][2])/3
解决这种方法就是在进行像素的加减操作前将像素进行强制取整操作即可
gray_mean_rgb_image[i,j] = (int(img[i,j][0])+int(img[i,j][1])+int(img[i,j][2]))/3（3）代码
#平均值法进行图像灰度化
import cv2def gray_mean_rgb(inputimagepath,windowname,outimagepath):img = cv2.imread(inputimagepath)gray_mean_rgb_image = img.copy()img_shape = img.shapefor i in range(img_shape[0]):for j in range(img_shape[1]):gray_mean_rgb_image[i,j] = (int(img[i,j][0])+int(img[i,j][1])+int(img[i,j][2]))/3print(gray_mean_rgb_image)cv2.namedWindow(windowname) #控制显示图片窗口的名字cv2.imshow(windowname, gray_mean_rgb_image)#显示灰度化后的图像cv2.imwrite(outimagepath, gray_mean_rgb_image) # 保存当前灰度值处理过后的文件cv2.waitKey()#等待操作cv2.destroyAllWindows()#关闭显示图像的窗口def main():inputimagepath = "colorful_lena.jpg"windowname = "gray_mean_rgb"outimagepath = "gray_mean_rgb.jpg"gray_mean_rgb(inputimagepath,windowname,outimagepath)if __name__ == '__main__':main()（4）结果
print(gray_mean_rgb_image)#取最后一维的第一组数据作为参考
4、加权均值法
（1）概念
灰度化后按照一定权值，对R，G，B的值加权平均，即：
分别为R，G，B的权值，取不同的值形成不同的灰度图像。由于人眼对绿色最为敏感，红色次之，对蓝色的敏感性最低，因此使将得到较易识别的灰度图像。一般时，得到的灰度图像效果最好
注：一般权重有两套值供选择
Gray= 0.072169B+ 0.715160G+ 0.212671RGray= 0.11B+ 0.59G+ 0.3R前一种是OpenCV开放库所采用的灰度权值，后一种为从人体生理学角度所提出的一种权值（人眼对绿色的敏感最高，对蓝色敏感最低）
（2）代码
#加权均值法进行图像灰度化
import cv2def gray_weightmean_rgb(wr,wg,wb,inputimagepath,windowname,outimagepath):img = cv2.imread(inputimagepath)gray_weightmean_rgb_image = img.copy()img_shape = img.shapefor i in range(img_shape[0]):for j in range(img_shape[1]):gray_weightmean_rgb_image[i,j] = (int(wr*img[i,j][2])+int(wg*img[i,j][1])+int(wb*img[i,j][0]))/3print(gray_weightmean_rgb_image)cv2.namedWindow(windowname) #控制显示图片窗口的名字cv2.imshow(windowname, gray_weightmean_rgb_image)#显示灰度化后的图像cv2.imwrite(outimagepath, gray_weightmean_rgb_image) # 保存当前灰度值处理过后的文件cv2.waitKey()#等待操作cv2.destroyAllWindows()#关闭显示图像的窗口def main():wr = 0.299wg = 0.587wb = 0.114inputimagepath = "colorful_lena.jpg"windowname = "gray_weightmean_rgb"outimagepath = "gray_weightmean_rgb.jpg"gray_weightmean_rgb(wr,wg,wb,inputimagepath,windowname,outimagepath)if __name__ == '__main__':main()（3）结果
print(gray_weightmean_rgb_image)#取最后一维的第一组数据作为参考
5、gamma校正
（1）概念
（2）代码
#gamma校正加权均值进行图像灰度化
import cv2def gray_gamma_weightmean_rgb(wr,wg,wb,gamma,inputimagepath,windowname,outimagepath):img = cv2.imread(inputimagepath)gray_gamma_weightmean_rgb_image = img.copy()img_shape = img.shapefor i in range(img_shape[0]):for j in range(img_shape[1]):fenzi = int((wr*img[i,j][2])**gamma)+int((wg*img[i,j][1])**gamma)+int((wb*img[i,j][0])**gamma)fenmu = wr**gamma + wg**gamma + wb**gammagray_gamma_weightmean_rgb_image[i,j] = int((fenzi/fenmu)**(1/gamma))print(gray_gamma_weightmean_rgb_image)cv2.namedWindow(windowname) #控制显示图片窗口的名字cv2.imshow(windowname, gray_gamma_weightmean_rgb_image)#显示灰度化后的图像cv2.imwrite(outimagepath, gray_gamma_weightmean_rgb_image) # 保存当前灰度值处理过后的文件cv2.waitKey()#等待操作cv2.destroyAllWindows()#关闭显示图像的窗口def main():wr = 1wg = 1.5wb = 0.6gamma = 2.2inputimagepath = "colorful_lena.jpg"windowname = "gray_gamma_weightmean_rgb"outimagepath = "gray_gamma_weightmean_rgb.jpg"gray_gamma_weightmean_rgb(wr,wg,wb,gamma,inputimagepath,windowname,outimagepath)if __name__ == '__main__':main()（3）结果
print(gray_gamma_weightmean_rgb_image)#取最后一维的第一组数据作为参考
三、不同方法之间的比较
由上图进行各个灰度化结果比较可以清晰的看出：
1、最大值法灰度化后图像过于亮，丢失的图像细节较多，常用于对原本色调较暗的图像进行处理
2、加权平均值法灰度化后过于暗，不易于进行目标对象与背景区域的区分，常用于对原本色调较亮的图像进行处理
3、直接调用函数进行灰度化颜色依旧偏暗
4、gamma修正灰度化的效果很好，但是gamma修正法的系数太多，而且设计到了指数以及开方运算，运算时间长，对于大量图片的处理更是不适用，对设备的要求非常高
5、均值的效果跟gamma修正法差不多，可能不及gamma修正法，但是其方法计算便捷，且结果较佳
因此一般使用均值法进行图片的灰度处理
四、疑问：怎么利用Python创建一个空的初始化图像？（np.unit8的应用）
《如何利用numpy创建全0，全1，随机矩阵》
在上述的灰度化中，灰度化后得到的图像矩阵均为三维的矩阵，只是最后一维的3个元素是相同的，但是实际上灰色图片的像素值矩阵只需要两个维度就可以进行完全地表达，即只需要装一个灰度值就可以了，这时候就可以通过numpy先创建一个合适尺寸的数组，然后将灰度化后的值去覆盖定义的数组即可，注意一点：通过numpy创建数组后，必须要将生成数组的格式转换为uint8（无符号8位整形）格式，否则应用cv2.imshow时图像不能显示，通过np.uint8来指定创建数组的元素的数据类型
gray_max_rgb_image = np.zeros((img_shape[0], img_shape[1]), np.uint8)这里以最大值法为例：
1、关键代码
# gray_max_rgb_image = img.copy()#复制图像，用于后面保存灰度化后的图像bgr值矩阵img_shape = img.shape#返回一位数组（高，宽，3）获得原始图像的长宽以及颜色通道数，一般彩色的颜色通道为3，黑白为1gray_max_rgb_image = np.zeros((img_shape[0], img_shape[1]), np.uint8)#创建一个与原始图像大小一致的图像，初始值为0，即为黑色cv2.imshow('',gray_max_rgb_image)#这里得到的是一个与原始图像一样大小的黑色初始图像for i in range(img_shape[0]):#按行读取图片的像素bgrfor j in range(img_shape[1]):#对每一行按照列进行每一个像素格子进行读取gray_max_rgb_image[i,j] = max(img[i,j][0],img[i,j][1],img[i,j][2])#求灰度值cv2.imshow('',gray_max_rgb_image)#这里得到的是灰度化后的图像2、图像展示
创建的图像：
灰度化后的图像：
3、得到灰度图像矩阵对比
利用原始图像的矩阵shape进行的灰度化的图像矩阵，shape为（200,200,3）,且可以看到最后一维三个数值是一样的，即RGB值均相等。
利用创建的数组进行灰度化的图像矩阵，shape为（200,200），这里只保留了一个灰度值
4、利用opencv创建图像参考代码（彩色和灰色均有）
import cv2 as cv
import numpy as npdef creat_image():'''#创建RGB图像image = np.zeros([400,400,3],np.uint8) #初始图片黑色#修改第一个通道的值image[:,:,0] = np.ones([400,400])*255 #输出蓝色的图 第一通道是blue# 修改第二个通道的值image[:, :, 1] = np.ones([400, 400]) * 255cv.imshow("new_image",image)'''#创建单通道图像 灰度图像image = np.zeros([400, 400,1], np.uint8)image[:,:,0] = np.ones([400,400])*127cv.imshow("new_image", image)import cv2 as cv
t1 = cv.getTickCount() #获取时间
creat_image()t2 = cv.getTickCount()
time = (t2-t1)/cv.getTickCount()
print("time:%s ms"%(time*1000)) #花了多长时间 mS
cv.waitKey(0)
#释放窗口
cv.destroyAllWindows()【图像处理】——图像的灰度化处理（Python实现三种方法——最大值法、平均值法、加权均值法、gamma校正）相关推荐
- 二次型化标准形的三种方法
二次型化标准形的三种方法 将二次型化为标准形有利于我们了解二次型的简单形式.二次型的各种参数如正负惯性指数.得到二次型的规范形.对称矩阵合同的简单形等等.另外,化标准形也是解析几何化简二次曲线和二次曲 ...
- Python：三种方法计算最大公约数和最小公倍数(欧几里德法、穷举法、stein算法)
Python:三种方法计算最大公约数和最小公倍数 1.穷举法 2.欧几里德法 3.Stein算法 题目:求取任意两个非负数(至多一个数为0)的最大公约数和最小公倍数: 参考资料:Python解决求最大 ...
- python + opencv + 二值化处理图片数据集（三种方法）
二值化处理图片数据集 首先导入相应的包 cv2即opencv-python包 if __name__ == "__main__": 上面这一句话的含义: 自己的 .py 可以作为自 ...
- 运行Python的三种方法
1.使用Python自带的IDLE 说明: 安装完之后就可以运行了 2.在命令行窗口上运行 说明: 要配置环境变量 然后到命令窗口输入python 就可以运行python程序了,效果同IDLE 3.以 ...
- Python类三种方法，函数传参，类与实例变量
1 Python的函数传递: 首先所有的变量都可以理解为内存中一个对象的'引用' a = 1 def func(a):a = 2 func(a) print(a) # 1a = 1 def fun(a ...
- Python使用三种方法批量修改记事本文件编码格式
应用背景:近期计划写一个贝叶斯算法邮件分类的教学案例,苦于没有足够的训练集,就让同学们帮忙每人从自己的邮箱中找几封垃圾邮件把内容复制下来放到记事本文件中发给我,但是忘了提前统一编码格式要求,所以收到的 ...
- 【Python】图像反转/反色的三种方法（pillow）
引言 图像反转(反色)是将图像的灰度值反转,若图像灰度级为 256,则新图的灰度值为 255 减去原图的灰度值.本文介绍了使用 Python 的 pillow 库进行图像反转(反色)的三种方法. 安装 ...
- pca算法python代码_三种方法实现PCA算法（Python）
主成分分析,即Principal Component Analysis(PCA),是多元统计中的重要内容,也广泛应用于机器学习和其它领域.它的主要作用是对高维数据进行降维.PCA把原先的n个特征用数目 ...
- 图像灰度化的三种方法（matlab、C++、Python实现）
灰度化处理就是将一幅色彩图像转化为灰度图像的过程.彩色图像分为R,G,B三个分量,分别显示出红绿蓝等各种颜色,灰度化就是使彩色的R,G,B分量相等的过程.灰度值大的像素点比较亮(像素值最大为255,为 ...
最新文章
- 从前到后的CAN总线（二）
- Swift SB 容器 Container View使用
- 修改unity变量名但不丢失序列化值
- idea 设置导入包不带*
- Veeam在思科2017年合作伙伴峰会上荣获ISV年度最佳合作伙伴全球奖
- 浅入浅出深度学习理论实践
- python实现的摩斯电码解码\编码器
- fcm模糊聚类matlab实例_模糊控制
- Linux 程序运行时报错：找不到库文件[cannot open shared object file: No such file or directory ```](转载)
- .NET: 如何在宿主中动态加载所有的服务
- 论文阅读4.6-4.8
- 6款令人相见恨晚的在线搜索网站，成年后都会要用上，了解一下！
- 快讯 | 科技部公布首批国家人工智能创新平台名单，BAT+科大讯飞入选
- Symantec Endpoint Protection 14.3 RU3 (macOS, Linux, Windows) - 端点安全解决方案
- 一、计算机核心组成及CPU核心组成
- ~~积累帖~~学科专业术语 英文缩写总结（一）——通信 信息论（持续更新）
- 【统计计算】关于Jackknife的理解和推导
- java dsa算法_DSA算法
- 记一次Java开发实习生的面试（糟糕）
- 潭州课堂25班：Ph201805201 第四课：Linux的命令以及VIM的使用 (课堂笔记)