彩色圖像灰度化 7 種方法詳解：從理論到實踐

引言

在圖像處理和計算機視覺領域，灰度圖像因其計算效率高、算法簡化、魯棒性強等特點而被廣泛應用。儘管彩色圖像能夠提供豐富的視覺信息，但在很多情況下，將彩色圖像轉換爲灰度圖像是非常有益的。本文旨在深入探討幾種常用的彩色圖像灰度化方法，並通過實際的代碼示例來展示這些方法的具體應用。

無論是在學術研究還是實際工程項目中，瞭解不同的灰度化方法及其背後的原理都是非常重要的。本文將詳細介紹幾種典型的灰度化方法，包括加權平均法、亮度法、Lightness 方法等，並通過具體的 Python 和 OpenCV 代碼示例來展示如何將這些方法應用於實際的圖像處理任務中。

彩色圖像和灰度圖像

彩色圖像

彩色圖像通常由多個顏色通道組成，最常見的形式是 RGB（紅綠藍）顏色模型。每個像素點由三個分量組成，分別對應紅、綠、藍三種顏色的強度。每個分量通常使用 8 位來表示，即範圍從 0 到 255 的整數。這意味着每個像素可以用一個三元組 (R, G, B) 來表示，其中 R、G 和 B 分別代表紅色、綠色和藍色的強度。

彩色圖像可以表示爲一個三維數組（或稱爲張量），其維度爲 (高度, 寬度, 3)，其中第三個維度對應於顏色通道。

灰度圖像

灰度圖像只包含一個通道，每個像素點的值表示該點的亮度或灰度級別。灰度圖像通常使用 8 位來表示每個像素的灰度值，範圍從 0（黑色）到 255（白色）。灰度圖像可以表示爲一個二維數組（或稱爲矩陣），其維度爲 (高度, 寬度)。

七種灰度化的方法

在計算機視覺和圖像處理中，將彩色圖像轉換爲灰度圖像有多種方法。這些方法主要基於如何將每個像素的 RGB 值組合成一個灰度值。下面是幾種常用的灰度化方法：

平均值法

將每個像素的紅、綠、藍三個顏色分量的平均值作爲灰度值。

gray = (R + G + B) / 3

加權平均法

根據人類視覺系統對不同顏色的敏感度，給不同的顏色分量分配不同的權重。通常，綠色分量的權重較高，因爲人眼對綠色最敏感。

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

這個公式來源於 NTSC（National Television System Committee）標準，NTSC 標準定義了一組顏色匹配函數，這些函數描述了人眼對不同波長光的響應。基於這些函數，可以得出上述的權重值，這是一種廣泛接受的標準，用於彩色圖像到灰度圖像的轉換。因此，當你使用

cv2.cvtColor 函數將彩色圖像轉換爲灰度圖像時，OpenCV 默認使用的就是這個加權平均公式。

最大值法

使用像素中最大的顏色分量作爲灰度值。

gray = max(R, G, B)

最小值法

使用像素中最小的顏色分量作爲灰度值。

gray = min(R, G, B)

亮度法 (Luminosity Method)

亮度法是一種將彩色圖像轉換爲灰度圖像的方法，它基於人眼對不同顏色的敏感度。這種方法使用了一個特定的公式來計算每個像素的亮度值，從而得到灰度圖像。亮度法考慮了人眼對綠色最爲敏感的事實，並據此爲不同的顏色分量分配不同的權重。

gray = 0.2126 * R + 0.7152 * G + 0.0722 * B

其中：

• R, G, 和 B 分別代表像素的紅、綠、藍三個顏色分量。

• 0.2126, 0.7152, 和 0.0722 是基於 CIE（Commission Internationale de l'Eclairage）標準的顏色敏感度函數得出的權重值。

說明

• 人眼敏感度：人眼對綠色最爲敏感，其次是紅色，最後是藍色。因此，在亮度法中，綠色分量的權重最高，紅色次之，藍色最低。

• CIE 標準：CIE 標準定義了一組顏色匹配函數，這些函數描述了人眼對不同波長光的響應。基於這些函數，可以得出上述的權重值。

• 計算過程：對於每個像素，使用上述公式計算出一個灰度值，該值反映了該像素的亮度。

Lightness 方法

使用 Lightness 公式，它基於 HSL（Hue, Saturation, Lightness）顏色模型

Luminance 方法

使用 Luminance 公式，它基於 HSV（Hue, Saturation, Value）顏色模型。

gray = max(R, G, B)

示例代碼

下面是一個使用 Python 和 OpenCV 的示例，展示瞭如何使用這些方法將彩色圖像轉換爲灰度圖像：

import cv2
import numpy as np
def average_method(image):
    return np.mean(image, axis=2).astype(np.uint8)
def weighted_average_method(image):
    r, g, b 
= cv2.split(image)
    return cv2.merge([(0.299 * r + 0.587 * g + 0.114 * b).astype(np.uint8)])
def max_method(image):
    return np.max(image, axis=2).astype(np.uint8)
def min_method(image):
    return np.min(image, axis=2).astype(np.uint8)
def luminosity_method(image):
    r, g, b = cv2.split(image)
    return cv2.merge([(0.2126 * r + 0.7152 * g + 0.0722 * b).astype(np.uint8)])
def lightness_method(image):
    max_val = np.max(image, axis=2)
    min_val = np.min(image, axis=2)
    return ((max_val + min_val) / 2).astype(np.uint8)
def luminance_method(image):
    return np.max(image, axis=2).astype(np.uint8)
def main():
    # 加載彩色圖像
    color_image = cv2.imread("path/to/your/color/image.jpg")
    # 轉換爲灰度圖像
    gray_average = average_method(color_image)
    gray_weighted_average = weighted_average_method(color_image)
    gray_max = max_method(color_image)
    gray_min = min_method(color_image)
    gray_luminosity = luminosity_method(color_image)
    gray_lightness = lightness_method(color_image)
    gray_luminance = luminance_method(color_image)
    # 顯示原圖和灰度圖
    cv2.imshow("Original Image", color_image)
    cv2.imshow("Average Gray", gray_average)
    cv2.imshow("Weighted Average Gray", gray_weighted_average)
    cv2.imshow("Max Gray", gray_max)
    cv2.imshow("Min Gray", gray_min)
    cv2.imshow("Luminosity Gray", gray_luminosity)
    cv2.imshow("Lightness Gray", gray_lightness)
    cv2.imshow("Luminance Gray", gray_luminance)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
if __name__ == "__main__":
    main()

• 說明：

• 這些方法都使用了 NumPy 的數學運算來計算灰度值。

• cv2.split 用於將圖像分成三個顏色通道。

• cv2.merge 用於將單通道的灰度圖像合併回多通道圖像，以便顯示。

• np.mean 和 np.max 等函數用於計算灰度值。

    選擇哪種灰度化方法取決於具體的應用需求。加權平均法通常是最常用的方法之一，因爲它考慮了人眼對不同顏色的敏感度差異。

爲什麼要進行灰度處理

雖然彩色圖像可以提供更多視覺信息，但在許多計算機視覺任務中，灰度圖像具有以下優點：

1. 計算效率：

2. 灰度圖像只有一個通道，因此處理起來比具有三個通道的彩色圖像更高效。這減少了所需的存儲空間和計算資源。

3. 由於減少了數據量，灰度圖像的處理速度更快，這對於實時應用尤爲重要。

4. 簡化算法：

5. 許多經典的圖像處理算法都是針對灰度圖像設計的。將彩色圖像轉換爲灰度圖像可以使得這些算法更容易應用。

6. 灰度圖像可以簡化邊緣檢測、特徵提取和形態學運算等任務。

7. 減少噪聲：

8. 彩色圖像中的顏色變化可能會引入額外的噪聲。灰度圖像可以減少這種噪聲，使圖像處理更加穩定。

9. 提高魯棒性：

10. 在光照條件變化較大的情況下，灰度圖像通常比彩色圖像更能抵抗光線變化的影響。

11. 灰度圖像可以更好地突出形狀和結構特徵，這對於某些計算機視覺任務非常重要。

12. 統一處理：

13. 對於需要處理不同顏色圖像的情況，使用灰度圖像可以簡化算法的設計，因爲不需要考慮顏色空間轉換等問題。

14. 經典算法的需求：

15. 許多經典的圖像處理算法（如 SIFT、SURF 等）都是基於灰度圖像設計的。

16. 增強對比度和清晰度：

17. 在某些情況下，灰度圖像可以更好地突出圖像中的細節和對比度，這對於特徵檢測和匹配特別有用。

總結

在計算機視覺和圖像處理領域，灰度圖像因其計算效率、簡化算法、提高魯棒性等方面的優勢而被廣泛使用。然而，在需要色彩信息的任務中，如對象識別、分類等，彩色圖像仍然是不可或缺的。選擇使用彩色圖像還是灰度圖像取決於具體的應用場景和需求。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/jyL17Mw0eVSuTwsXHkQX7g