数字图像学笔记 |
您所在的位置：网站首页 › 灰度图像的像素有几个亮度分量组成 › 数字图像学笔记 |
数字图像学笔记
|
文章目录
一些说明关于示例代码关于依赖环境关于教材
灰度图、亮度图（Gray Image）彩色图转灰度图一般亮度转换（luminosity method）亮度优先转换（luminosity priority）平均值转换（average method）最小亮度转换（minimum luminosity）最大亮度转换（maximum luminosity）效果对比二值化
一些说明
关于示例代码
我的图像算法的全部示例程序，你都可以在 https://github.com/seagochen/AlgorithmsLearning 找到, 目前只上传了一部分，随着这个系列的完成, 我会同步更新还没有上传的部分。 你可以关注我的博客，又或者把相关文章收藏起来，在你比如面试图像方面的岗位时，又或者学习《数字图像处理》课程时,可以把代码都跑一遍。 需要说明一下, 所有示例代码都是Python完成的，避免使用C/C++或者其他语言，是为了最大程度减少语言特性导致的阅读障碍。 关于OpenCV，它的主要的函数C++ 版本和Python是一致的。所以在理解了程序逻辑后，你也可以很容易的用C/C++复现一遍。 至于程序中用到的素材，主要部分来源于冈萨雷斯的《数字图像处理》，其次是一些在Google上搜索到的公开图片，以及我自己制作的一部分，大部分素材你可以从网上很容易找到，由于这些数据体积很大，所以我没有放在仓库中，而且这不影响你使用。 如果出现了侵权，请你联系我，我会在第一时间内删除。 关于依赖环境运行Python代码, 目前需要一些依赖包: numpymatplotlibopencv-pythonPython版本可以使用3.7的版本，至于怎么安装Python，怎么配置IDE，请你自行在网上搜索相关文章，我这里不做累述。 关于教材推荐买一本冈萨雷斯的《数字图像处理》，这是从事数字图像领域专业的必备教科书，书中写的很详细，我所写的内容对于这位老教授的书来说，最多只能算是补充和摘要。 你也可以配合一些网上已有的视频，我们IT行业的从业人员大多很热衷于技术分享，所以也有不少教授的公开课的录像、个人UP主制作了这些很棒的内容，这些都是非常不错的借鉴和学习资料。 灰度图、亮度图（Gray Image）在数字图像中，一张图片是不同的像素的组合。如果用矩阵来表示，就是一个二维的数组，或者说矩阵。每一个元素可以是一个包含3个元素的向量 {R，G，B}向量矩阵，或者仅一个元素的 {Gray} 的元素矩阵。
用数学矩阵进行表示的话，大概就是这个样子： I = [ 10 15 55 145 . . . 15 10 10 55 . . . 1 12 10 145 . . . 90 180 0 125 . . . . . . . . . . . . . . . . . . ] I = \begin{bmatrix} 10 & 15 & 55 & 145 & ... \\ 15 & 10 & 10 & 55 & ... \\ 1 & 12 & 10 & 145 & ... \\ 90 & 180 & 0 & 125 & ... \\ ... & ... & ... &... & ... \end{bmatrix} I=⎣⎢⎢⎢⎢⎡1015190...151012180...5510100...14555145125..................⎦⎥⎥⎥⎥⎤ 当前主流的图像是8比特位的，所以也解释了为什么大多数PNG、JPG、BMP的格式的图片，图像数据范围都是在 [ 0 , 255 ] [0, 255] [0,255] 的原因。 彩色图转灰度图将彩色图片转换为灰度图片（亮度图片），经常是数字图像处理中常用到重要一部，转换方法有多种多样，比如在之前文章里提到的HSV等颜色空间中的转换方法，不过在这里我仅提一些在RGB色域空间中常用到的方法。 尽管以下方法，已经有前人实现了相关函数，并广泛存在于各种图形图像函数库中，但我依然希望你能明白理解这些是怎么计算的。 一般亮度转换（luminosity method）G r a y ( x ) = 0.299 ⋅ R + 0.587 ⋅ G + 0.114 ⋅ B Gray(x) = 0.299 \cdot R + 0.587 \cdot G + 0.114 \cdot B Gray(x)=0.299⋅R+0.587⋅G+0.114⋅B 这是一种权重转换，对于每个像素，分别对应其RGB色道上的数据，乘以对应的权重，例如 ( 0.299 , 0.587 , 0.114 ) (0.299, 0.587, 0.114) (0.299,0.587,0.114)，这一类权重，通常在G色道上保留较大的权重，而对于R、B色道上保留较小权重。保留较多的G色道，主要因为在G色道上能保有较多的数据，且人眼对于黄、绿、青的光更为敏感。 在人眼可感知的可见光波的 400nm - 700nm这样一个范围里，绿色、黄色、青色处于可见光光带中央，具备最大的颜色覆盖度，也就是最大的亮度覆盖范围，所以无论哪一种权重转换，都需要尽最大可能保留绿色、黄色、青色的占比权重。 因此对于RGB三原色来说，保留最多的绿色，和适量的红色和蓝色，可以近似的模拟出我们对于光通量的感受情况。如果有需要知道更多细节，可以看看这篇文章《为你更新色彩观: 直观理解光谱和颜色》
这样的实现代码其实很简单： def rgb_2_gray_normal(rgb_file: str): image = cv2.imread(rgb_file) row, col, channel = image.shape image_gray = np.zeros((row, col)) for r in range(row): for l in range(col): # convert rgb image to gray image # gray = 0.299⋅R + 0.587⋅G + 0.114⋅B image_gray[r, l] = 0.114 * image[r, l, 0] + \ 0.587 * image[r, l, 1] + \ 0.299 * image[r, l, 2] print_matrix(image_gray) return image_gray最终输出效果
G r a y ( X ) = m a x ( R , G , B ) + m i n ( R , G , B ) 2 Gray(X) = \frac{max(R,G,B) + min(R, G, B)}{2} Gray(X)=2max(R,G,B)+min(R,G,B) 实现代码： def rgb_2_gray_brightness(rgb_file: str): image = cv2.imread(rgb_file) row, col, channel = image.shape image_gray = np.zeros((row, col)) for r in range(row): for l in range(col): image_gray[r, l] = 0.5 * max(image[r, l, 0], image[r, l, 1], image[r, l, 2]) +\ 0.5 * min(image[r, l, 0], image[r, l, 1], image[r, l, 2]) print_matrix(image_gray) return image_gray输出效果
亮度转换 G r a y ( X ) = R + G + B 3 Gray(X) = \frac{R + G + B}{3} Gray(X)=3R+G+B 输出效果： G r a y ( X ) = m i n ( R , G , B ) Gray(X) = min(R, G, B) Gray(X)=min(R,G,B) def rgb_2_gray_min(rgb_file: str): image = cv2.imread(rgb_file) row, col, channel = image.shape image_gray = np.zeros((row, col)) for r in range(row): for l in range(col): image_gray[r, l] = min(image[r, l, 0], image[r, l, 1], image[r, l, 2]) print_matrix(image_gray) return image_gray输出效果
G r a y ( X ) = m a x ( R , G , B ) Gray(X) = max(R, G, B) Gray(X)=max(R,G,B) def rgb_2_gray_max(rgb_file: str): image = cv2.imread(rgb_file) row, col, channel = image.shape image_gray = np.zeros((row, col)) for r in range(row): for l in range(col): image_gray[r, l] = max(image[r, l, 0], image[r, l, 1], image[r, l, 2]) print_matrix(image_gray) return image_gray输出效果
我们把输出效果进行对比：
除了这些线性的方式，也有一些采用二次采样曲线的转换方法，以及转换颜色空间到HSV，以纯粹亮度进行输出的方法，这里就不做更多的赘述了。有兴趣的朋友可以自行查找相关资料，做做实验看一看。 二值化除了灰度图以外，还有另外一类只有黑白的所谓二值化的颜色转换方法。“二值化”，也被称为黑白图像，它的颜色状态只有黑和白两种。也是一种比较常见的图像。它之所以能够存在，其一是压缩后的数据体量更小，便于网络传输，其二是在一些传统的新闻出版行业，可以节省印刷成本。当然，缺点也是有的，就是图片经过二值化后，会丢失很多细节。 比如这样的一个函数，可以当作二值化的处理函数： B l a c k ( Y ) = { 255 X > 90 0 o t h e r w i s e Black(Y) = \left\{\begin{matrix} 255 & X > 90 \\ 0 & otherwise \end{matrix}\right. Black(Y)={2550X>90otherwise 这里的X表示的是阈值，你可以简单的给定一个常数，比如100，也可以配合灰度直方图，动态的进行调整，以达到最大化保存图片细节的目的。 当然我们也可以使用比如图像抖动的方法，为二值化图像增加足够多的细节，不过这些内容会在我后面的文章里提到，这里就不做过多的补充了。 简单的代码实现方法： def rgb_2_black(rgb_file: str): image = cv2.imread(rgb_file) row, col, channel = image.shape image_gray = np.zeros((row, col)) for r in range(row): for l in range(col): # first of all, convert rgb image to gray X = 0.114 * image[r, l, 0] + 0.587 * image[r, l, 1] + 0.299 * image[r, l, 2] if X > 90: image_gray[r, l] = 255 else: image_gray[r, l] = 0 print_matrix(image_gray) return image_gray输出效果
[参考资料] 《彩色图像怎样转灰度图像》，saltriver，https://blog.csdn.net/saltriver/article/details/79677116 |
为了更好的研究各类算法，我们常用灰度图作为研究对象。上图中使用的是林肯的照片，如果研究这张照片的原始数据，会发现它其实是这样一个
W
×
H
W \times H
W×H 的元素矩阵，每个元素都是一个范围在
[
0
,
255
]
[0, 255]
[0,255]的整数。
原图： 
相对的来说，采用权重法表现要更柔和一些，当然使用哪一种方法，纯粹依据具体情况来定。例如对于原图本身亮度欠佳的，采用最大亮度的方式会更合适，但对于本来已经光污染的图片来说，也许用最小亮度会更合适一些。
【本文地址】
今日新闻 |
推荐新闻 |