2種影像增強方法：影像點運算和影像灰度化處理
摘要：本文主要講解影像點運算的灰度化處理，詳細介紹常用的灰度化處理方法，並分享了影像顏色空間相互轉換，以及三種灰度轉換演算法的實現。
本文分享自華為雲社區《[Python從零到壹] 四十三.影像增強及運算篇之影像點運算和影像灰度化處理》，作者：eastmount。
一.影像點運算概念
影像點運算（Point Operation）指對於一幅輸入影像，將產生一幅輸出影像，輸出影像的每個像素點的灰度值由輸入像素點決定。點運算實際上是灰度到灰度的映射過程，通過映射變換來達到增強或者減弱影像的灰度。還可以對影像進行求灰度直方圖、線性變換、非線性變換以及影像骨架的提取。它與相鄰的像素之間沒有運算關係，是一種簡單和有效的影像處理方法[1]。
影像的灰度變換可以通過有選擇的突出影像感興趣的特徵或者抑制影像中不需要的特徵，從而改善影像的品質，凸顯影像的細節，提高影像的對比度。它也能有效地改變影像的直方圖分布，使影像的像素值分布更為均勻[2-3]。它在實際中有很多的應用：
- 光度學標定
- 對比度增強
- 對比度擴展
- 顯示標定
- 輪廓線確定
設輸入影像為A(x,y)，輸出影像為B(x,y)，則點運算可以表示為：
影像點運算與幾何運算存在差別，不會改變影像內像素點之間的空間位置關係。同時與局部（領域）運算也存在差別，輸入像素和輸出像素一一對應。
二.影像灰度化處理
影像灰度化是將一幅彩色影像轉換為灰度化影像的過程。彩色影像通常包括R、G、B三個分量，分別顯示出紅綠藍等各種顏色，灰度化就是使彩色影像的R、G、B三個分量相等的過程。灰度影像中每個像素僅具有一種樣本顏色，其灰度是位於黑色與白色之間的多級色彩深度，灰度值大的像素點比較亮，反之比較暗，像素值最大為255（表示白色），像素值最小為0（表示黑色）。
假設某點的顏色由RGB(R,G,B)組成，常見灰度處理演算法如表11-1所示：
表11-1中Gray表示灰度處理之後的顏色，然後將原始RGB(R,G,B)顏色均勻地替換成新顏色RGB(Gray,Gray,Gray)，從而將彩色圖片轉化為灰度影像。一種常見的方法是將RGB三個分量求和再取平均值，但更為準確的方法是設置不同的權重，將RGB分量按不同的比例進行灰度劃分。比如人類的眼睛感官藍色的敏感度最低，敏感最高的是綠色，因此將RGB按照0.299、0.587、0.144比例加權平均能得到較合理的灰度影像，如公式11-2所示[4-6]。
在日常生活中，我們看到的大多數彩色影像都是RGB類型，但是在影像處理過程中，常常需要用到灰度影像、二值影像、HSV、HSI等顏色，OpenCV提供了cvtColor()函數實現這些功能。其函數原型如下所示：
- dst = cv2.cvtColor(src, code[, dst[, dstCn]])
– src表示輸入影像，需要進行顏色空間變換的原影像
– dst表示輸出影像，其大小和深度與src一致
– code表示轉換的程式碼或標識
– dstCn表示目標影像通道數，其值為0時，則有src和code決定
該函數的作用是將一個影像從一個顏色空間轉換到另一個顏色空間，其中，RGB是指Red、Green和Blue，一副影像由這三個通道（channel）構成；Gray表示只有灰度值一個通道；HSV包含Hue（色調）、Saturation（飽和度）和Value（亮度）三個通道。
在OpenCV中，常見的顏色空間轉換標識包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS等。下面是調用cvtColor()函數將影像進行灰度化處理的程式碼。
# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np #讀取原始圖片 src = cv2.imread('luo.png') #影像灰度化處理 grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #顯示影像 cv2.imshow("src", src) cv2.imshow("result", grayImage) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結果如圖11-1所示，左邊是彩色的「小珞珞」原圖，右邊是將彩色影像進行灰度化處理之後的灰度圖。其中，灰度圖將一個像素點的三個顏色變數設置為相等（R=G=B），此時該值稱為灰度值。
同樣，可以調用如下核心程式碼將彩色影像轉換為HSV顏色空間，其輸出結果如圖11-2所示。
- grayImage = cv2.cvtColor(src, cv2.COLOR_BGR2HSV)
下面程式碼對比了九種常見的顏色空間，包括BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB和YUV，並循環顯示處理後的影像。
# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #讀取原始影像 img_BGR = cv2.imread('luo.png') img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB) #BGR轉換為RGB img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY) #灰度化處理 img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV) #BGR轉HSV img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb) #BGR轉YCrCb img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS) #BGR轉HLS img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ) #BGR轉XYZ img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB) #BGR轉LAB img_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV) #BGR轉YUV #調用matplotlib顯示處理結果 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 range(9): plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
其運行結果如圖11-3所示：
三.基於像素操作的影像灰度化處理
前面講述了調用OpenCV中cvtColor()函數實現影像灰度化的處理，接下來講解基於像素操作的影像灰度化處理方法，主要是最大值灰度處理、平均灰度處理和加權平均灰度處理方法。
1.最大值灰度處理方法
該方法的灰度值等於彩色影像R、G、B三個分量中的最大值，公式如下：
其方法灰度化處理後的灰度圖亮度很高，實現程式碼如下。
# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #讀取原始影像 img = cv2.imread('luo.png') #獲取影像高度和寬度 height = img.shape[0] width = img.shape[1] #創建一幅影像 grayimg = np.zeros((height, width, 3), np.uint8) #影像最大值灰度處理 for i in range(height): for j in range(width): #獲取影像R G B最大值 gray = max(img[i,j][0], img[i,j][1], img[i,j][2]) #灰度影像素賦值 gray=max(R,G,B) grayimg[i,j] = np.uint8(gray) #顯示影像 cv2.imshow("src", img) cv2.imshow("gray", grayimg) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
其輸出結果如圖11-4所示，其處理效果的灰度偏亮。
2.平均灰度處理方法
該方法的灰度值等於彩色影像R、G、B三個分量灰度值的求和平均值，其計算公式如公式（11-4）所示：
平均灰度處理方法實現程式碼如下。
# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #讀取原始影像 img = cv2.imread('luo.png') #獲取影像高度和寬度 height = img.shape[0] width = img.shape[1] #創建一幅影像 grayimg = np.zeros((height, width, 3), np.uint8) #影像平均灰度處理方法 for i in range(height): for j in range(width): #灰度值為RGB三個分量的平均值 gray = (int(img[i,j][0]) + int(img[i,j][1]) + int(img[i,j][2])) / 3 grayimg[i,j] = np.uint8(gray) #顯示影像 cv2.imshow("src", img) cv2.imshow("gray", grayimg) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
其輸出結果如圖11-5所示：
3.加權平均灰度處理方法
該方法根據色彩重要性，將三個分量以不同的權值進行加權平均。由於人眼對綠色的敏感最高，對藍色敏感最低，因此，按下式對RGB三分量進行加權平均能得到較合理的灰度影像。
加權平均灰度處理方法實現程式碼如下所示：
# -*- coding: utf-8 -*- # By：Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #讀取原始影像 img = cv2.imread('luo.png') #獲取影像高度和寬度 height = img.shape[0] width = img.shape[1] #創建一幅影像 grayimg = np.zeros((height, width, 3), np.uint8) #影像平均灰度處理方法 for i in range(height): for j in range(width): #灰度加權平均法 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) #顯示影像 cv2.imshow("src", img) cv2.imshow("gray", grayimg) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
其輸出結果如圖11-6所示：
四.總結
本文主要講解影像點運算的灰度化處理，詳細介紹常用的灰度化處理方法，並分享了影像顏色空間相互轉換，以及三種灰度轉換演算法的實現。通過灰度處理，我們能有效將彩色影像轉換為灰度圖，為後續的邊緣提取等處理提供支撐，也可能實現影像處理軟體最簡單的彩色圖轉黑白的效果，希望對您有所幫助。
