一、图像灰度化处理
1、最大值灰度处理方法
2、平均灰度处理方法
3、加权平均灰度处理方法
二、图像灰度线性变换
1、图像灰度上移变换
2、图像对比度增强变换
3、图像对比度减弱变换
4、图像灰度反色变换
三、图像灰度非线性变换
1、图像灰度非线性变换：
2、对数变换
3、伽玛变换

一、图像灰度化处理
1、最大值灰度处理方法
该方法的灰度值等于彩色图像R、G、B三个分量中的最大值


for i in range(height):
    for j in range(width):
        #获取图像R G B最大值
        gray = max(img[i,j][0], img[i,j][1], img[i,j][2])
        #灰度图像素赋值 gray=max(R,G,B)
        grayimg[i,j] = np.uint8(gray)

2、平均灰度处理方法

for i in range(height):
    for j in range(width):
        #灰度值为RGB三个分量的平均值
        gray = (int(img[i,j][0]) + int(img[i,j][1]) + int(img[i,j][2]))  /  3
        grayimg[i,j] = np.uint8(gray)

3、加权平均灰度处理方法

for i in range(height):
    for j in range(width):
        #灰度加权平均法
        gray = 0.30 * img[i,j][0] + 0.59 * img[i,j][1] + 0.11 * img[i,j][2]
        grayimg[i,j] = np.uint8(gray)

二、图像灰度线性变换
图像的灰度线性变换是通过建立灰度映射来调整原始图像的灰度，从而改善图像的质量，凸显图像的细节，提高图像的对比度。



该公式中DB表示灰度线性变换后的灰度值，DA表示变换前输入图像的灰度值，α和b为线性变换方程f(D)的参数，分别表示斜率和截距。
当α=1，b=0时，保持原始图像

当α=1，b!=0时，图像所有的灰度值上移或下移

当α=-1，b=255时，原始图像的灰度值反转

当α>1时，输出图像的对比度增强

当0<α<1时，输出图像的对比度减小

当α<0时，原始图像暗区域变亮，亮区域变暗，图像求补
1、图像灰度上移变换
for i in range(height):
    for j in range(width):
        
        if (int(grayImage[i,j]+50) > 255):
            gray = 255
        else:
            gray = int(grayImage[i,j]+50)
            
        result[i,j] = np.uint8(gray)

图像的所有灰度值上移50，图像变得更白了。注意，纯黑色对应的灰度值为0，纯白色对应的灰度值为255。
2、图像对比度增强变换
for i in range(height):
    for j in range(width):
        
        if (int(grayImage[i,j]*1.5) > 255):
            gray = 255
        else:
            gray = int(grayImage[i,j]*1.5)
            
        result[i,j] = np.uint8(gray)

图像的所有灰度值增强1.5倍。
3、图像对比度减弱变换
for i in range(height):
    for j in range(width):
        gray = int(grayImage[i,j]*0.8)
        result[i,j] = np.uint8(gray)

图像的所有灰度值减弱，图像变得更暗。
4、图像灰度反色变换
for i in range(height):
    for j in range(width):
        gray = 255 - grayImage[i,j]
        result[i,j] = np.uint8(gray)

图像处理前后的灰度值是互补的。
三、图像灰度非线性变换
1、图像灰度非线性变换：
DB=DA×DA/255
for i in range(height):
    for j in range(width):
        gray = int(grayImage[i,j])*int(grayImage[i,j]) / 255
        result[i,j] = np.uint8(gray)

2、对数变换


其中c为尺度比较常数，DA为原始图像灰度值，DB为变换后的目标灰度值。
def log(c, img):
    output = c * np.log(1.0 + img)
    output = np.uint8(output + 0.5)
    return output

对数变换对于整体对比度偏低并且灰度值偏低的图像增强效果较好。
3、伽玛变换


当γ>1时，会拉伸图像中灰度级较高的区域，压缩灰度级较低的部分。

当γ<1时，会拉伸图像中灰度级较低的区域，压缩灰度级较高的部分。

当γ=1时，该灰度变换是线性的，此时通过线性方式改变原图像。

ImageSharp 是支持.NET Core跨平台图形处理库，本文将利用ImageSharp库实现图像二值化,图像灰度化,图像灰度反转。
图像二值化
public static Image<Rgba32> Binaryzation(Image<Rgba32> image)
{
     int avg = 0;
     for (int i = 0; i < image.Width; i++)
     {
         for (int j = 0; j < image.Height; j++)
         {
             var color = image.GetPixelReference(i, j);
             avg += color.B;
         }
     }
     avg = (int)avg / (image.Width * image.Height);

     for (int i = 0; i < image.Width; i++)
     {
         for (int j = 0; j < image.Height; j++)
         {
             //获取该像素点的RGB的颜色
             var color = image.GetPixelReference(i, j);
             int value = 255 - color.B;
             //计算颜色,大于平均值为黑,小于平均值为黑
             Color newColor = value > avg ? Color.FromArgb(0, 0, 0) : Color.FromArgb(255,255,255);
             //修改该像素点的RGB的颜色
             image.GetPixelReference(i, j).Rgba =(uint)newColor.ToArgb();
         }
     }
     return image;
}

图像灰度化
public static Image<Rgba32> GrayProcessing(Image<Rgba32> image)
{
    for (int i = 0; i < image.Width; i++)
    {
        for (int j = 0; j < image.Height; j++)
        {
            //获取该像素点的RGB的颜色
            var color = image.GetPixelReference(i, j);
            //计算灰度值
            int gray = (int)(color.R * 0.3 + color.G * 0.59 + color.B * 0.11);
            Color newColor = Color.FromArgb(gray, gray, gray);
            //修改该像素点的RGB的颜色
            image.GetPixelReference(i, j).Rgba = (uint)newColor.ToArgb();
        }
    }
    return image;
}

图像灰度反转
 public static Image<Rgba32> GrayReversal(Image<Rgba32> image)
 {
     for (int i = 0; i < image.Width; i++)
     {
         for (int j = 0; j < image.Height; j++)
         {
             //获取该像素点的RGB的颜色
             var color = image.GetPixelReference(i, j);
             //取相反色
             Color newColor = Color.FromArgb(255-color.R,255-color.G,255-color.B);
             //修改该像素点的RGB的颜色
             image.GetPixelReference(i, j).Rgba = (uint)newColor.ToArgb();
         }
     }
     return image;
 }

opencv-python 图像灰度化
写在前面
读取图像
cv库函数
分量法
最大值法
平均值法
加权平均法
写在前面
最近自己在做图像的预处理，学习了一些东西，做一个简单的小总结。
图像灰度化处理一般有以下几种方式：
1. 分量法
将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。
 
2. 最大值法
将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。
 
3. 平均值法
将彩色图像中的三分量亮度求平均得到一个灰度值。
4. 加权平均法
根据重要性及其它指标，将三个分量以不同的权值进行加权平均。R、G、B钱面系数即所加权值，可任意改变。
 
读取图像
记得导库
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread("test.jpg", cv.IMREAD_COLOR)  # 读取指定位置的彩色图像
原图
 
cv库函数
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow("img", gray)  # 显示图片
cv.waitKey(0)  # 等待键盘触发事件，释放窗口
效果图
 
分量法
height, width, channel = img.shape
# 分量法
R = np.zeros(img.shape, np.uint8)
G = np.zeros(img.shape, np.uint8)
B = np.zeros(img.shape, np.uint8)
for i in range(height):
for j in range(width):
R[i, j] = img[i, j, 0]
G[i, j] = img[i, j, 1]
B[i, j] = img[i, j, 2]
# cv.imshow('R', R)
# cv.imshow('G', G)
# cv.imshow('B', B)
R
 G
 B
最大值法
# 最大值法
grayimg1 = np.zeros(img.shape, np.uint8)
for i in range(height):
for j in range(width):
grayimg1[i, j] = max(img[i, j, 0], img[i, j, 1], img[i, j, 2])
# cv.imshow('srcimg1', grayimg1)
平均值法
# 平均值法
grayimg2 = np.zeros(img.shape, np.uint8)
for i in range(height):
for j in range(width):
grayimg2[i, j] = 1 / 3 * img[i, j, 0] + 1 / 3 * img[i, j, 1] + 1 / 3 * img[i, j, 2]
# cv.imshow('srcimg2', grayimg2)
加权平均法
# 加权平均法
grayimg3 = np.zeros(img.shape, np.uint8)
for i in range(height):
for j in range(width):
# 0.3 0.59 0.11
grayimg3[i, j] = 0.3 * img[i, j, 0] + 0.59 * img[i, j, 1] + 0.11 * img[i, j, 2]
# cv.imshow('srcimg3', grayimg3)

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~
该系列在github所有源代码：https://github.com/eastmountyxz/ImageProcessing-Python

PS：请求帮忙点个Star，哈哈，第一次使用Github，以后会分享更多代码，一起加油。
同时推荐作者的C++图像系列知识：

[数字图像处理] 一.MFC详解显示BMP格式图片

[数字图像处理] 二.MFC单文档分割窗口显示图片

[数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解

[数字图像处理] 四.MFC对话框绘制灰度直方图

[数字图像处理] 五.MFC图像点运算之灰度线性变化、灰度非线性变化、阈值化和均衡化处理详解

[数字图像处理] 六.MFC空间几何变换之图像平移、镜像、旋转、缩放详解

[数字图像处理] 七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解
前文参考：

[Python图像处理] 一.图像处理基础知识及OpenCV入门函数

[Python图像处理] 二.OpenCV+Numpy库读取与修改像素

[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理

[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波

[Python图像处理] 五.图像融合、加法运算及图像类型转换

[Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移

[Python图像处理] 七.图像阈值化处理及算法对比

[Python图像处理] 八.图像腐蚀与图像膨胀

[Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算

[Python图像处理] 十.形态学之图像顶帽运算和黑帽运算

[Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图

[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正

[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
本篇文章讲解图像灰度化处理的知识，结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作，使用像素处理方法对图像进行灰度化处理。基础性知识希望对您有所帮助。

1.图像灰度化原理

2.基于OpenCV的图像灰度化处理

3.基于像素操作的图像灰度化处理
PS：文章参考自己以前系列图像处理文章及OpenCV库函数，同时，本篇文章涉及到《计算机图形学》基础知识，请大家下来补充。
参考文献：

杨秀璋等. 基于苗族服饰的图像锐化和边缘提取技术研究[J]. 现代计算机，2018(10).

《数字图像处理》（第3版），冈萨雷斯著，阮秋琦译，电子工业出版社，2013年.

《数字图像处理学》（第3版），阮秋琦，电子工业出版社，2008年，北京.

《OpenCV3编程入门》，毛星云，冷雪飞，电子工业出版社，2015.

Opencv学习（十六）之颜色空间转换cvtColor()

python+opencv+图像特效（图像灰度处理、颜色翻转、图片融合，边缘检测，浮雕效果，颜色映射）

一.图像灰度化原理
像灰度化是将一幅彩色图像转换为灰度化图像的过程。彩色图像通常包括R、G、B三个分量，分别显示出红绿蓝等各种颜色，灰度化就是使彩色图像的R、G、B三个分量相等的过程。灰度图像中每个像素仅具有一种样本颜色，其灰度是位于黑色与白色之间的多级色彩深度，灰度值大的像素点比较亮，反之比较暗，像素值最大为255（表示白色），像素值最小为0（表示黑色）。
假设某点的颜色由RGB(R,G,B)组成，常见灰度处理算法如表7.1所示：

	

表7.1中Gray表示灰度处理之后的颜色，然后将原始RGB(R,G,B)颜色均匀地替换成新颜色RGB(Gray,Gray,Gray)，从而将彩色图片转化为灰度图像。
一种常见的方法是将RGB三个分量求和再取平均值，但更为准确的方法是设置不同的权重，将RGB分量按不同的比例进行灰度划分。比如人类的眼睛感官蓝色的敏感度最低，敏感最高的是绿色，因此将RGB按照0.299、0.587、0.144比例加权平均能得到较合理的灰度图像，如公式7.1所示。

	


二.基于OpenCV的图像灰度化处理
在日常生活中，我们看到的大多数彩色图像都是RGB类型，但是在图像处理过程中，常常需要用到灰度图像、二值图像、HSV、HSI等颜色，OpenCV提供了cvtColor()函数实现这些功能。其函数原型如下所示：
dst = cv2.cvtColor(src, code[, dst[, dstCn]])

src表示输入图像，需要进行颜色空间变换的原图像
dst表示输出图像，其大小和深度与src一致
code表示转换的代码或标识
dstCn表示目标图像通道数，其值为0时，则有src和code决定

该函数的作用是将一个图像从一个颜色空间转换到另一个颜色空间，其中，RGB是指Red、Green和Blue，一副图像由这三个通道（channel）构成；Gray表示只有灰度值一个通道；HSV包含Hue（色调）、Saturation（饱和度）和Value（亮度）三个通道。在OpenCV中，常见的颜色空间转换标识包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS等。
下面是调用cvtColor()函数将图像进行灰度化处理的代码。
#encoding:utf-8
import cv2  
import numpy as np  

#读取原始图片
src = cv2.imread('miao.png')

#图像灰度化处理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", grayImage)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示，左边是彩色的苗族服饰原图，右边是将彩色图像进行灰度化处理之后的灰度图。其中，灰度图将一个像素点的三个颜色变量设置为相当，R=G=B，此时该值称为灰度值。

	

同样，可以调用 grayImage = cv2.cvtColor(src, cv2.COLOR_BGR2HSV) 核心代码将彩色图像转换为HSV颜色空间，如下图所示。

	

下面Image_Processing_07_02.py代码对比了九种常见的颜色空间，包括BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB和YUV，并循环显示处理后的图像。
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取原始图像
img_BGR = cv2.imread('miao.png')

#BGR转换为RGB
img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)

#灰度化处理
img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)

#BGR转HSV
img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)

#BGR转YCrCb
img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)

#BGR转HLS
img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)

#BGR转XYZ
img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)

#BGR转LAB
img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)

#BGR转YUV
img_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)

#调用matplotlib显示处理结果
titles = ['BGR', 'RGB', 'GRAY', 'HSV', 'YCrCb', 'HLS', 'XYZ', 'LAB', 'YUV']  
images = [img_BGR, img_RGB, img_GRAY, img_HSV, img_YCrCb,
          img_HLS, img_XYZ, img_LAB, img_YUV]  
for i in xrange(9):  
   plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

其运行结果如图所示：

	


三.基于像素操作的图像灰度化处理
前面讲述了调用OpenCV中cvtColor()函数实现图像灰度化的处理，接下来讲解基于像素操作的图像灰度化处理方法，主要是最大值灰度处理、平均灰度处理和加权平均灰度处理方法。
1.最大值灰度处理方法

该方法的灰度值等于彩色图像R、G、B三个分量中的最大值，公式如下：

	

其方法灰度化处理后的灰度图亮度很高，实现代码如下。
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取原始图像
img = cv2.imread('miao.png')

#获取图像高度和宽度
height = img.shape[0]
width = img.shape[1]

#创建一幅图像
grayimg = np.zeros((height, width, 3), np.uint8)

#图像最大值灰度处理
for i in range(height):
    for j in range(width):
        #获取图像R G B最大值
        gray = max(img[i,j][0], img[i,j][1], img[i,j][2])
        #灰度图像素赋值 gray=max(R,G,B)
        grayimg[i,j] = np.uint8(gray)

#显示图像
cv2.imshow("src", img)
cv2.imshow("gray", grayimg)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

其输出结果如下图所示，其处理效果的灰度偏亮。

	

2.平均灰度处理方法

该方法的灰度值等于彩色图像R、G、B三个分量灰度值的求和平均值，其计算公式如下所示：

	

平均灰度处理方法实现代码如下所示：
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取原始图像
img = cv2.imread('miao.png')

#获取图像高度和宽度
height = img.shape[0]
width = img.shape[1]

#创建一幅图像
grayimg = np.zeros((height, width, 3), np.uint8)
print grayimg

#图像平均灰度处理方法
for i in range(height):
    for j in range(width):
        #灰度值为RGB三个分量的平均值
        gray = (int(img[i,j][0]) + int(img[i,j][1]) + int(img[i,j][2]))  /  3
        grayimg[i,j] = np.uint8(gray)

#显示图像
cv2.imshow("src", img)
cv2.imshow("gray", grayimg)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

其输出结果如下图所示：

	

3.加权平均灰度处理方法

该方法根据色彩重要性，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

	

加权平均灰度处理方法实现代码如下所示：
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取原始图像
img = cv2.imread('miao.png')

#获取图像高度和宽度
height = img.shape[0]
width = img.shape[1]

#创建一幅图像
grayimg = np.zeros((height, width, 3), np.uint8)
print grayimg

#图像平均灰度处理方法
for i in range(height):
    for j in range(width):
        #灰度加权平均法
        gray = 0.30 * img[i,j][0] + 0.59 * img[i,j][1] + 0.11 * img[i,j][2]
        grayimg[i,j] = np.uint8(gray)

#显示图像
cv2.imshow("src", img)
cv2.imshow("gray", grayimg)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

其输出结果如下图所示：

	

希望文章对大家有所帮助，如果有错误或不足之处，还请海涵。最近连续奔波考博，经历的事情太多，有喜有悲，需要改变自己好好对女神，也希望读者与我一起加油。

（By：Eastmount 2019-03-25 早上8点 https://blog.csdn.net/Eastmount/）

2020年8月18新开的“娜璋AI安全之家”，主要围绕Python大数据分析、网络空间安全、人工智能、Web渗透及攻防技术进行讲解，同时分享CCF、SCI、南核北核论文的算法实现。娜璋之家会更加系统，并重构作者的所有文章，从零讲解Python和安全，写了近十年文章，真心想把自己所学所感所做分享出来，还请各位多多指教，真诚邀请您的关注！谢谢。