1、像素点

可以看到上述图片尺寸是500 * 338 的，表示图片是由一个500 * 338的像素点矩阵构成的，这张图片的宽度是500个像素点的长度，高度是338个像素点的长度，共有500 * 338 = 149000个像素点。

2、像素

3、RGB

4、灰度

5、图像的灰度化

二值化处理的方法：

6、灰度值与像素值的关系

7、灰度级

8、图像分辨率

图像分辨率是指每英寸图像内的像素点数。图像分辨率是有单位的，叫ppi（像素每英寸）。分辨率越高，像素的点密度越高，图像越逼真（这就是为什么做大幅的喷绘时，要求图片分辨率要高，就是为了保证每英寸的画面上拥有更多的像素点）。

9、空间分辨率

空间分辨率是指图像可辨认的临界物体空间几何长度的最小极限。如果一幅图像的尺寸为MxN，表明在成像时采集了MxN个样本，空间分辨率是MxN。下图是空间分辨率从1024x1024、512x512、256x256、128x128、64x64、32x32pixels

10、幅度分辨率

幅度分辨率是指幅度离散，每个像素都有一个强度值，称该像素的灰度，一般量化采用8bit。例如8bit的灰度级为2的八次方即256。0~255

11、屏幕分辨率

屏幕分辨率是屏幕每行的像素点数*每列的像素点数，每个屏幕有自己的分辨率。屏幕分辨率越高，所呈现的色彩越多，清晰度越高。

12、图像所需要的位数b

b=MxNxK      MxN是空间分辨率 ；K幅度分辨率，单位是bit

存储1幅32 x 32，16个灰度级的图需要 4,096 bit

存储1幅512 x 512，256个灰度级的图需要 2,097,152 bit 

附加：

13、对比度

指一幅图中灰度反差的大小

对比度 =  最大亮度/最小亮度

14、与清晰度相关的因素

亮度

对比度

尺寸大小

细微层次

颜色饱和度

前言

在图像处理过程中，三个通道的数据比较复杂，那就可以先将图像进行灰度化处理，灰度化的过程就是将每个像素点的RGB值统一成同一个值。灰度化后的图像将由三通道变为单通道，单通道的数据处理起来就会简单许多。

首先我们都了解图片的所有颜色都调节RGB的值来达到不同的效果。彩色图像有R，G，B三个分量，分别掌管红绿蓝三种基础色彩，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，反之比较暗这个过程就是指灰度化。灰度处理也有很多方法，本文采用直接调用函数cv2.cvtColor() 图像颜色空间转换。

我们尝试一下，先找个美女

上代码！

import dlib
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('1.png')
gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# detector = dlib.get_frontal_face_detector()
detector = dlib.cnn_face_detection_model_v1('mmod_human_face_detector.dat')

dets = detector(gray_image, 1)
print (len(dets))

for i, d in enumerate(dets):
    x1 = d.rect.top() if d.rect.top() > 0 else 0
    y1 = d.rect.bottom() if d.rect.bottom() > 0 else 0
    x2 = d.rect.left() if d.rect.left() > 0 else 0
    y2 = d.rect.right() if d.rect.right() > 0 else 0

    face = gray_image[x1:y1,x2:y2]
    
    # 调整图片的对比度与亮度， 对比度与亮度值都取随机数，这样能增加样本的多样性
#     face = relight(face, random.uniform(0.5, 1.5), random.randint(-50, 50))
    cv2.rectangle(gray_image, (x2, x1), (y2, y1), (0, 255, 0), 2)  # 画出人脸
    face = cv2.resize(face, (580,580))

plt.imshow(face)

 输出结果：

plt.imshow(gray_image)

结果： 

 很不错昂!

原作者：雨木林风
在图像处理中，用RGB三个分量（R：Red，G：Green，B：Blue），即红、绿、蓝三原色来表示真彩色，R分量，G分量，B分量的取值范围均为0~255，比如电脑屏幕上的一个红色的像素点的三个分量的值分别为：255，0，0。

 

像素点

  像素点是最小的图像单元，一张图片由好多的像素点构成，下图是一张美女的大白腿的图片。

 

查看这张图片的信息，尺寸是800 * 800 的，宽度是800像素，高度是800像素。也就是说这张图片是由一个800 * 800的像素点矩阵构成的（不理解矩阵是什么意思的话，可以把矩阵理解为C语言中的二维数组），这个矩阵是800行，800列，像素是图像的最小单元，这张图片的宽度是800个像素点的长度，高度是800个像素点的长度，共有800 * 800 = 640000个像素点。

 

因为一个像素点的颜色是由RGB三个值来表现的，所以一个像素点矩阵对应三个颜色向量矩阵，分别是R矩阵，G矩阵，B矩阵，它们也都是800 *800大小的矩阵。下面展示这张美女图片的一部分颜色矩阵数据：

 

这个是R矩阵中的一部分

 

这个是G矩阵中的一部分

 

这个是B矩阵中的一部分

比如每个矩阵的第一行第一列的值分别为：R：240，G：223，B：204，所以这个像素点的颜色就是（240,223,204），三个矩阵的值不一定一 一对应，这样做只是为了便于读者理解。

 

图像的灰度化

    在理解了一张图片是由一个像素点矩阵构成之后，我们就知道我们对图像的处理就是对这个像素点矩阵的操作，想要改变某个像素点的颜色，我们只要在这个像素点矩阵中找到这个像素点的位置，比如第x行，第y列，所以这个像素点在这个像素点矩阵中的位置就可以表示成（x，y）,因为一个像素点的颜色由红、绿、蓝三个颜色变量表示，所以我们通过给这三个变量赋值，来改变这个像素点的颜色，比如改成红色（255，0，0），可以表示为（x，y，（R=255，G=0，B=0））。

    那么什么叫图片的灰度化呢？其实很简单，就是让像素点矩阵中的每一个像素点都满足下面的关系：R=G=B（就是红色变量的值，绿色变量的值，和蓝色变量的值，这三个值相等，“=”的意思不是程序语言中的赋值，是数学中的相等），此时的这个值叫做灰度值。

 

灰度处理的方法：

     一般灰度处理经常使用两种方法来进行处理。

  方法1：

        灰度化后的R=（处理前的R + 处理前的G +处理前的B）/ 3

        灰度化后的G=（处理前的R + 处理前的G +处理前的B）/ 3

        灰度化后的B=（处理前的R + 处理前的G +处理前的B）/ 3

 

  美女图片经过方法1进行灰度化后的效果如下：

 

      方法2：

         灰度化后的R =  处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11

         灰度化后的G =  处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11

         灰度化后的B =  处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11

 

    美女图片经过方法2进行灰度化后的效果如下：

 

个人觉得第二种方法处理的效果比较好，第一种方法处理后的图片有点模糊。

图像的二值化

    什么叫图像的二值化？二值化就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0~255，在二值化后的图像中的灰度值范围是0或者255。

     黑色：

            二值化后的R =  0

            二值化后的G =  0

            二值化后的B =  0

     白色：

            二值化后的R =  255

            二值化后的G =  255

            二值化后的B =  255

     那么一个像素点在灰度化之后的灰度值怎么转化为0或者255呢？比如灰度值为100，那么在二值化后到底是0还是255?这就涉及到取一个阀值的问题。

常用的二值化方法：

     方法1：

        取阀值为127（相当于0~255的中数，（0+255）/2=127），让灰度值小于等于127的变           为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是         缺点也是很明显的，因为这个阀值在不同的图片中均为127，但是不同的图片，他们的颜色        分布差别很大，所以用127做阀值，白菜萝卜一刀切，效果肯定是不好的。

    方法2：

        计算像素点矩阵中的所有像素点的灰度值的平均值avg

        （像素点1灰度值+...+像素点n灰度值）/ n = 像素点平均值avg

       然后让每一个像素点与avg一 一比较，小于等于avg的像素点就为0（黑色），大于avg的 像        素点为255（白色），这样做比方法1好一些。

   方法3：

        使用直方图方法（也叫双峰法）来寻找二值化阀值，直方图是图像的重要特质。直方图方法         认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低         谷处就是阀值所在。取到阀值之后再一 一比较就可以了。

下面给出一张美女图片二值化后的效果图：（漂亮的大白腿依稀可见。）