还不会做图像识别？看完这个灰度化处理就懂了！

Posted 2021-04-06 电子发烧友网

大多数的图像处理算法，都是从灰度化处理开始。当开始接触图像处理的童鞋，可能跟我一样，经常会看到诸如彩色图像存储、转化为灰度图，灰度化、二值化处理，对这些概念迷惑过，具体不知道要怎么做。那么今天小编就给大家详细介绍这两个概念。开篇之前，先对图像基础颜色RGB做简单了解。

  

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，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。）

针对LabVIEW视觉初学者更好地学习入门机器视觉、图像识别处理。编者给大家准备了LabVIEW视觉大礼包（入门基础+编程实例+项目案例+深度学习）电子书。想领取资料的学员，可以联系文末的助教老师微信领取。

助教老师木木