S0.2 灰度图

目录

• 灰度图定义
• 灰度图优点
• RGB转灰度算法（OpenCV3）
  • 量化
  • 算法公式
• OpenCV自带函数实现
• 综合比较

灰度图定义

对于单色（灰度）图像而言，每个像素的亮度用一个数值来表示，通常数值范围在0到255之间，0表示黑、255表示白，其它值表示处于黑白之间的灰度。

灰度图优点

我们在进行很多图像的操作时，如果是彩色的 256 色图，由于图象处理后有可能会产生不属于这 256 种颜色的新颜色。

RGB转灰度算法（OpenCV3）

量化

我们知道，自然界中的所有颜色都可以由红、绿、蓝(R，G，B)组合而成。有的颜色有红色成分多一些，如深红;有的有红色成分少一些，如浅红。针对有红色成分的多少，可以分成 0 到 255 共 256 个等级，0 级表示不含红色成分;255 级表示 有 100%的红色成分。 同样，绿色和蓝色也被分成 256 级。这种分级概念称为量化。

算法公式

灰度图是指只含亮度信息，不含色彩信息的图象，就象我们平时看到的黑白照片：亮度由暗到明，变化是连续的。因此，要表示灰度图，就需要把亮度值进行量化。通常划分成0到255共256个级别，其中0最暗(全黑)，255最亮(全白)。在表示颜色的方法中，除了RGB外，还有一种叫YUV的表示方法，应用也很多。电视信号中用的就是一种类似于YUV的颜色表示方法。在这种表示方法中，Y分量的物理含义就是亮度，Y分量包含了灰度图的所有信息，只用Y分量就能完全能够表示出一幅灰度图来。

从 RGB 到 YUV 空间的 Y 转换，有一个很著名的心理学公式：

                Y = R*0.299 + G*0.587 + B*0.114

我们进行优化变为整数算法：

                Y = (R*299 + G*587 + B*114 + 500) / 1000

（当然，聪明的你们一定也想到了另一种方法就是，灰度值为（r+g+b）/3，之后你们可以看看两种方法的效果。）

OpenCV3代码：

#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<iostream>

using namespace std;
using namespace cv;

void main()
{
	Mat srcImage = imread("Lena.jpg");
	Mat dstImage;

	dstImage = srcImage.clone();

	int rowNumber = srcImage.rows;
	int colNumber = srcImage.cols * srcImage.channels();

	imshow("old", srcImage);

	for (int i = 0; i < rowNumber; i++)
	{
		uchar* data = dstImage.ptr<uchar>(i);
		for (int j = 0; j < colNumber; j+=3)
		{
			data[j] =(data[j] * 299 + data[j + 1] * 587 + data[j + 2] * 114 + 500) / 1000;
			//data[j] =(data[j] + data[j + 1] + data[j + 2]) / 3;

			data[j + 1] = data[j+2] = data[j];
		}
	}
	
	imshow("new", dstImage);

	waitKey(0);
}

效果图：

OpenCV自带函数实现

#include<opencv2/highgui/highgui.hpp>
#include<opencv2/core/core.hpp>
#include<opencv2/imgproc/imgproc.hpp>

using namespace std;
using namespace cv;

int main()
{

    Mat srcImage = imread("images/Lena.jpg");
    Mat dstImage1 = imread("images/Lena.jpg", 0);//法一
    Mat dstImage2;

    cvtColor(srcImage, dstImage2, CV_RGB2GRAY);//把图片转化为灰度图，法二

    imshow("old", srcImage);
    imshow("new1", dstImage1);
    imshow("new2", dstImage2);
    waitKey(10000);
    return 0;
}

综合比较

我们把几种方法都写在一个程序里，看看效果

#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<iostream>

using namespace std;
using namespace cv;

int main()
{
    Mat srcImage = imread("images/favorite/Lena.jpg");
    Mat srcImage2 = imread("images/favorite/Lena.jpg", 0);
    Mat dstImage,dstImage2;

    dstImage = srcImage.clone();
    dstImage2 = srcImage.clone();

    int rowNumber = srcImage.rows;
    int colNumber = srcImage.cols * srcImage.channels();

    imshow("old", srcImage);

    for (int i = 0; i < rowNumber; i++)
    {
        uchar* data = dstImage.ptr<uchar>(i);
        for (int j = 0; j < colNumber; j+=3)
        {
            data[j] =(data[j] * 299 + data[j + 1] * 587 + data[j + 2] * 114 + 500) / 1000;
            data[j + 1] = data[j+2] = data[j];
        }
    }
    imshow("new", dstImage);


    for (int i = 0; i < rowNumber; i++)
    {
        uchar* data = dstImage2.ptr<uchar>(i);
        for (int j = 0; j < colNumber; j+=3)
        {
            data[j] =(data[j] + data[j + 1] + data[j + 2]) / 3;
            data[j + 1] = data[j+2] = data[j];
        }
    }
    imshow("new2", dstImage2);

    imshow("new3", srcImage2);

    waitKey(20000);
    return 0;
}

效果如下：

显然，我们的心理学公式灰化的Lena（图new）是最好看的，头发细节比较清楚。而自带函数产生的（new3）和我们取rgb平均值产生的(new2)差不多。