多种灰度化处理

欢迎关注公众号：七只的Coding日志，更多链接

图像基础：

图像包含三个元素：图像的大小；  图像的深度；  图像的通道；

1、图像的位深度及其取值范围: src.depth()

    Mat类型：
    –      CV_<bit_depth>(S|U|F)C<number_of_channels>
    S = 符号整型  U = 无符号整型  F = 浮点型
    E.g.：
    CV_8UC1 是指一个8位无符号整型单通道矩阵,
    CV_32FC2是指一个32位浮点型双通道矩阵。
    
    CV_8UC1           CV_8SC1          CV_16U C1       CV_16SC1 
    CV_8UC2           CV_8SC2          CV_16UC2        CV_16SC2 
    CV_8UC3           CV_8SC3          CV_16UC3        CV_16SC3 
    CV_8UC4           CV_8SC4          CV_16UC4        CV_16SC4 
    CV_32SC1         CV_32FC1         CV_64FC1
    CV_32SC2         CV_32FC2         CV_64FC2
    CV_32SC3         CV_32FC3         CV_64FC3
    CV_32SC4         CV_32FC4         CV_64FC4
    
2、图像的大小：Size()
    size包含两个参数：就是图像的宽度和高。 取图像的大小：src.size()   
    Size （宽，高）
  
3、图像的通道
     Mat类型：  CV_<bit_depth>(S|U|F)C<number_of_channels>  中C就代表通道，后面的数字代表通道数。

问题：很多图片识别为什么将彩色图像灰度化?

知乎上的回答：

（1）我们识别物体，最关键的因素是梯度（现在很多的特征提取，SIFT,HOG等等本质都是梯度的统计信息），梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了。颜色本身，非常容易受到光照等因素的影响，同类的物体颜色有很多变化。所以颜色本身难以提供关⬚("在此处键入公式。" ) 键信息。

（2）包含色彩的话，特征量，计算量成指数倍数增加。比如一个点，灰度的话，就256个维度而已，但是如果算上RGB色彩的话，那就是1600万以上维度。然后再相互组合，或者说找梯度，可以想象看看~~计算量太大，但是好在就算是全色盲也可以分辨物体，于是就x先降维（灰度）来计算。

作者：zhegekankan
链接：https://www.zhihu.com/question/24453478/answer/478934400
来源：知乎

灰度图像能以较少的数据表征图像的大部分特征，因此在某些算法的预处理阶段需要进行彩色图像灰度化，以提高后续算法的效率。将彩色图像转换为灰度图像的过程称为彩色图像灰度化。在RGB模型中，位于空间位置(x,y)的像素点的颜色用该像素点的R分量R(x,y)、G分量G(x,y)和B分量B(x,y)3个数值表示。灰度图像每个像素用一个灰度值（又称强度值、亮度值）表示即可。

设f(x,y)表示位于空间位置(x,y)处的像素（该像素的R分量、G分量、B分量值分别为R(x,y)、G(x,y)、B(x,y)）的灰度化：

1. 最大值灰度化：

   算法：最大值灰度化方法将彩色图像中像素的R分量、G分量和B分量3个数值的最大值作为灰度图的灰度值。

   公式：f(x, y)=max⁡(R(x,y), G(x,y), B(x,y))

2. 平均灰度化：

   算法：平均值灰度化方法将彩色图像中像素的R分量、G分量和B分量3个数值的平均值作为灰度图的灰度值。

   公式：f(x, y)=(R(x,y)+G(x,y)+ B(x,y))/3

3. 加权平均值灰度化：

   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W_G>W_R>W_B 将得到较易识别的灰度图像。一般时，W_R=0.299,W_b=0.587,W_G=0.114得到的灰度图像效果最好

   Gray= 0.072169B+ 0.715160G+ 0.212671*R

   Gray= 0.11B+ 0.59G+ 0.3*R

   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）

   算法：加权平均值灰度化方法将彩色图像中像素的R分量、G分量和B分量3个数值的加权平均值作为灰度图的灰度值。
   公式：f(x, y)=W_R∗R(x,y)+W_G∗G(x,y)+ W_B∗B(x,y)

4. gamma校正加权均值进行图像灰度化：

   注意这里的2.2次方和2.2次方根, RGB颜色值不能简单直接相加，而是必须用2.2次方换算成物理光功率。因为RGB值与功率并非简单的线性关系，而是幂函数关系，这个函数的指数称为Gamma值，一般为2.2，而这个换算过程，称为Gamma校正。

   公式：Gray=√(2.2&(R^2.2 〖+(1.5G)〗^2.2 〖+（0.6B）〗^{2.2)/(1+〖1.5〗}2.2+〖0.6〗^2.2 ))

总结：

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