当前位置：首页 > news >正文

嵌入式人工智能应用-第三章 opencv操作 4 灰度处理

news 来源：原创 2025/8/6 12:42:15

嵌入式人工智能应用

嵌入式人工智能应用-第三章 opencv操作 4 灰度处理

嵌入式人工智能应用
1 灰度处理
2 算法
- 2.1 均值方法
- 2.2 最大值法
- 2.3 分量法
- 2.4 加权平均法（Weighted Average Method）
- 2.5 系统自带方法
3 总结

1 灰度处理

图像灰处理即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）。灰度处理有很多中方法，例如一张彩色图片，OpenCV 在读取这张图片的时候就可以直接读取为灰度图像。还可以调用 OpenCV 提供的 cvtColor 接口进行灰度处理（前面的实验中已经用到了）。还可以使用平均值法、最大值法、分量法、加权平均法等让一张彩色的图片转换成灰度图像。

灰度处理是将彩色图像转换为灰度图像的过程，保留亮度信息但丢弃颜色信息，常用于简化计算、提升处理速度或适配某些算法（如边缘检测）。

在这里插入图片描述

2 算法

2.1 均值方法

均值法就是把每个像素的 B、G、R 三个颜色通道的值加起来，然后取平均值，作为这个像素的灰度值。

公式如下：
在这里插入图片描述

✅ 优点：
实现简单
运算速度快

❌ 缺点：
没考虑人眼对颜色的敏感度（人眼对绿色更敏感，对蓝色不敏感）
效果可能不如加权平均法自然

// 均值法
cv::Mat grayByMean(const cv::Mat& colorImage) {cv::Mat grayImage(colorImage.size(), CV_8UC1);for (int i = 0; i < colorImage.rows; i++) {for (int j = 0; j < colorImage.cols; j++) {cv::Vec3b pixel = colorImage.at<cv::Vec3b>(i, j);uchar gray = (pixel[0] + pixel[1] + pixel[2]) / 3;  // B + G + RgrayImage.at<uchar>(i, j) = gray;}}return grayImage;
}

2.2 最大值法

最大值法是一种将彩色图像转换为灰度图像的简单方法。它的原理是取每个像素的 B、G、R 三个颜色通道中数值最大的那个，作为灰度值。

在这里插入图片描述
最大值法的特点：
会强调颜色中最亮的分量，比如绿色值大，那么灰度图会更亮。
有点像对图像的“亮度增强”处理，所以整体可能比加权平均法或均值法看起来更亮一些。

✅ 优点：
简单，容易实现
能强调图像中亮的部分，对某些场景有用（如亮度检测）

❌ 缺点：
不符合人眼感知模型，容易失真
会丢失颜色信息之间的平衡，某些细节可能变得不自然

// 最大值法
cv::Mat grayByMax(const cv::Mat& colorImage) {cv::Mat grayImage(colorImage.size(), CV_8UC1);for (int i = 0; i < colorImage.rows; i++) {for (int j = 0; j < colorImage.cols; j++) {cv::Vec3b pixel = colorImage.at<cv::Vec3b>(i, j);uchar gray = std::max({pixel[0], pixel[1], pixel[2]});grayImage.at<uchar>(i, j) = gray;}}return grayImage;
}

2.3 分量法

分量法就是：直接使用彩色图像中某一个颜色通道（R、G 或 B）来作为灰度图像的灰度值。换句话说，不做任何计算，直接拿一个通道的值当作灰度值。

在这里插入图片描述
✅ 优点：
运算快（不需要计算平均值或加权）
可用于突出某种颜色特征的区域，比如只关注红色区域就用 R 通道

❌ 缺点：
不是真正意义上的“综合灰度图”
颜色失衡，比如只看 R，图像中其他颜色会被忽略

// 分量法（以红色通道为例）
cv::Mat grayByComponent(const cv::Mat& colorImage, int channel = 2) {// channel = 0: Blue, 1: Green, 2: Redcv::Mat grayImage(colorImage.size(), CV_8UC1);for (int i = 0; i < colorImage.rows; i++) {for (int j = 0; j < colorImage.cols; j++) {grayImage.at<uchar>(i, j) = colorImage.at<cv::Vec3b>(i, j)[channel];}}return grayImage;
}

2.4 加权平均法（Weighted Average Method）

把 B、G、R 三个颜色通道按照人眼对它们的感知敏感度，给不同的权重，计算出一个灰度值。

在这里插入图片描述
这个权重是根据**人眼对颜色的感知模型（ITU-R BT.601 标准）**定下来的：

人眼对绿色最敏感，所以权重大：0.587
对红色也比较敏感：0.299
对蓝色不太敏感：0.114

✅ 优点：
最符合人眼视觉感知的灰度图
图像细节自然、对比度适中
是工业界和学术界默认方法（包括 OpenCV、Pillow、Matlab 等）

❌ 缺点：
运算稍微比“均值法”复杂一点（但在现代计算中可以忽略）

// 加权平均法
cv::Mat grayByWeightedAverage(const cv::Mat& colorImage) {cv::Mat grayImage(colorImage.size(), CV_8UC1);for (int i = 0; i < colorImage.rows; i++) {for (int j = 0; j < colorImage.cols; j++) {cv::Vec3b pixel = colorImage.at<cv::Vec3b>(i, j);uchar gray = static_cast<uchar>(0.114 * pixel[0] + 0.587 * pixel[1] + 0.299 * pixel[2]);grayImage.at<uchar>(i, j) = gray;}}return grayImage;
}

2.5 系统自带方法

将彩色图像转换为灰度图像。

cv::cvtColor(src, dst, cv::COLOR_BGR2GRAY);

3 总结

在这里插入图片描述