图像灰度化方法总结及其VC实现

原文转自：http://blog.csdn.net/likezhaobin/article/details/6915754

目前，在图像处理过程中，最常用的彩色图片格式有RGB，HSV、YUV以及HLS三种。以下分别对这三种格式的彩色图像进行灰度化实现。

1、RGB空间图像

     定义于RGB空间的彩色图，其每个像素点的色彩由R、G、B三个分量共同决定。每个分量在内存所占的位数共同决定了图像深度，即每个像素点所占的字节数。以常见的24深度彩色RGB图来说，其三个分量各占1个字节，这样每个分量可以取值为0~255，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。对这样一幅彩色图来说，其对应的灰度图则是只有8位的图像深度（可认为它是RGB三个分量相等），这也说明了灰度图图像处理所需的计算量确实要少。不过需要注意的是，虽然丢失了一些颜色等级，但是从整幅图像的整体和局部的色彩以及亮度等级分布特征来看，灰度图描述与彩色图的描述是一致的。

     对于RGB图像进行灰度化，通俗点说就是对图像的RGB三个分量进行加权平均得到最终的灰度值。最常见的加权方法如下：  

      1）Gray=B；Gray=G；Gray=R

      2）Gray=max(B，G，R)

      3）Gray=(B+G+R)/3

      4）Gray=
0.114*B + 0.587*G + 0.299*R
      5）Gray= 0.11B+ 0.59G+ 0.3R

     这三种方法中，第一种为分量法，即用RGB三个分量的某一个分量作为该点的灰度值；第二种方法为最大值法，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。第三种方法将彩色图像中的三分量亮度求平均得到一个灰度图；后两种都是属于加权平均法，其中第四种是OpenCV开放库所采用的灰度权值，第五种为从人体生理学角度所提出的一种权值（人眼对绿色的敏感最高，对蓝色敏感最低）。

2、其他颜色空间的灰度化

     关于HSV以及HLS颜色空间的彩色图灰度化，可以参考网页《HSL和HSV色彩空间》，该网页中所述方法可将几种不同颜色表达方式进行转换，将其转换到RGB空间，然后再采用上述公式进行灰度化。

     关于YUV空间的彩色图像，其Y的分量的物理意义本身就是像素点的亮度，由该值反映亮度等级，因此可根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。

3、代码实现

     本文旨在对整个实现原理及思路进行总结，因此以下基于OpenCv的基本函数实现这几种变化过程，至于位图以及其他形式的图像，在获取了图像原始数据后，处理方法都一样，仅需注意指针的位置操作即可。具体代码如下：

IplImage    *ColorImage;                        //定义相应的图像指针  

IplImage    *GrayImage1;                        //从1~5代表5中不同权值的结果  

IplImage    *GrayImage2;  

IplImage    *GrayImage3;  

IplImage    *GrayImage4;  

IplImage    *GrayImage5;  

IplImage    *GrayImage6;  

IplImage    *GrayImage7;  

  

ColorImage = cvLoadImage( "49138.jpg", -1 );    //读取图片  

if (ColorImage == NULL)  

    return;   

  

GrayImage1 = cvCreateImage(cvGetSize(ColorImage),8,1);  

GrayImage2 = cvCreateImage(cvGetSize(ColorImage),8,1);  

GrayImage3 = cvCreateImage(cvGetSize(ColorImage),8,1);  

GrayImage4 = cvCreateImage(cvGetSize(ColorImage),8,1);  

GrayImage5 = cvCreateImage(cvGetSize(ColorImage),8,1);  

GrayImage6 = cvCreateImage(cvGetSize(ColorImage),8,1);  

GrayImage7 = cvCreateImage(cvGetSize(ColorImage),8,1);  

  

CvMat* pGrayMat1 = NULL;         //定义与图像关联的数据指针  

CvMat* pGrayMat2 = NULL;  

CvMat* pGrayMat3 = NULL;  

CvMat* pGrayMat4 = NULL;  

CvMat* pGrayMat5 = NULL;  

CvMat* pGrayMat6 = NULL;  

CvMat* pGrayMat7 = NULL;  

  

pGrayMat1 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

pGrayMat2 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

pGrayMat3 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

pGrayMat4 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

pGrayMat5 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

pGrayMat6 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

pGrayMat7 = cvCreateMat(ColorImage->height, ColorImage->width, CV_32FC1);  

  

BYTE data1;       //中间过程变量  

BYTE data2;  

BYTE data3;  

BYTE data4;  

BYTE data5;  

BYTE data6;  

BYTE data7;  

for(int j=0; j<ColorImage->height; j++)  

{  

    for(int i=0; i<ColorImage->width; i++)  

    {             

        data1 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3];     //B分量  

        data2 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3 + 1]; //G分量  

        data3 = (BYTE)ColorImage->imageData[j*ColorImage->widthStep + i*3 + 2]; //R分量  

        data4 = max(data1, max(data2, data3));    //最大值  

        data5 = (BYTE)((data1 + data2 + data3)/3);  

        data6 = (BYTE)(0.072169*data1 + 0.715160*data2 + 0.212671*data3);  

        data7 = (BYTE)(0.11*data1 + 0.59*data2 + 0.30*data3);  

        cvmSet(pGrayMat1, j, i, data1);  

        cvmSet(pGrayMat2, j, i, data2);  

        cvmSet(pGrayMat3, j, i, data3);  

        cvmSet(pGrayMat4, j, i, data4);  

        cvmSet(pGrayMat5, j, i, data5);  

        cvmSet(pGrayMat6, j, i, data6);  

        cvmSet(pGrayMat7, j, i, data7);  

    }  

}  

cvConvert(pGrayMat1, GrayImage1);  

cvConvert(pGrayMat2, GrayImage2);  

cvConvert(pGrayMat3, GrayImage3);  

cvConvert(pGrayMat4, GrayImage4);  

cvConvert(pGrayMat5, GrayImage5);  

cvConvert(pGrayMat6, GrayImage6);  

cvConvert(pGrayMat7, GrayImage7);  

  

cvNamedWindow( "ColorImage",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage1",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage2",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage3",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage4",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage5",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage6",CV_WINDOW_AUTOSIZE);  

cvNamedWindow( "GrayImage7",CV_WINDOW_AUTOSIZE);  

  

cvShowImage("ColorImage", ColorImage);  

cvShowImage("GrayImage1", GrayImage1);  

cvShowImage("GrayImage2", GrayImage2);  

cvShowImage("GrayImage3", GrayImage3);  

cvShowImage("GrayImage4", GrayImage4);  

cvShowImage("GrayImage5", GrayImage5);  

cvShowImage("GrayImage6", GrayImage6);  

cvShowImage("GrayImage7", GrayImage7);  

      

cvWaitKey(0);  

cvDestroyWindow("ColorImage");  

cvDestroyWindow("GrayImage1");  

cvDestroyWindow("GrayImage2");  

cvDestroyWindow("GrayImage3");  

cvDestroyWindow("GrayImage4");  

cvDestroyWindow("GrayImage5");  

cvDestroyWindow("GrayImage6");  

cvDestroyWindow("GrayImage7");  

  

cvReleaseImage(&ColorImage);  

cvReleaseImage(&GrayImage1);  

cvReleaseImage(&GrayImage2);  

cvReleaseImage(&GrayImage3);  

cvReleaseImage(&GrayImage4);  

cvReleaseImage(&GrayImage5);  

cvReleaseImage(&GrayImage6);  

cvReleaseImage(&GrayImage7);  

  

cvReleaseMat(&pGrayMat1);  

cvReleaseMat(&pGrayMat2);  

cvReleaseMat(&pGrayMat3);  

cvReleaseMat(&pGrayMat4);  

cvReleaseMat(&pGrayMat5);  

cvReleaseMat(&pGrayMat6);  

cvReleaseMat(&pGrayMat7);  

     各种不同方法实现灰度化的效果图对比如下;



图1 待处理的原始图像—脱离低级趣味的猫



图2 分量灰度化—B分量



图3 分量灰度化—G分量



图4 分量灰度化—R分量



图5 最大值灰度化



图6 均值灰度化



图7 OpenCV权值系数灰度化



图8 网络常用权值灰度化

4、思考

     上文的代码实现中，以最后一种方法为例，用到了如下代码：

     Gray= (0.11* Blue + 0.59* Green + 0.30* Red);

     实际计算机处理时，这种方法已经很快了，但实际上还存在可以优化的余地。以上代码所采用的是浮点运算。而在图像处理中，速度就是生命，实时性往往是很重要的指标，这就要求我们在实现算法时必须考虑到代码的效率问题。所以有一个原则：在图像处理中，能不用浮点运算，就最好不要用！

     因此，上述代码可以等效的优化为：

     Gray = (30 * Red + 59 *Green + 11 * Blue) / 100;

     这样一改，可以有效避免浮点运算，因此可以提高代码的效率

     对这行代码还可以继续改进为如下：

     Gray= HiByte(77 * Red + 151 * Green + 28 * Blue);

     其中77,151,28分别除以256，即为上文的三个系数。

     同样的，还可以实现为：

     Gray= (77 * Red + 151 * Green + 28 * Blue) shr 8;

     这种方法实现了移位运算，避免了除法，效率上又有所提高。
     关于具体的代码效率问题，可以参考博文《由图像的灰度化看基本图像处理》。