计算机视觉 / 系统课时

转换灰度图像

转换灰度图像

很多阈值分割、边缘检测和特征算法只需要亮度信息。使用 cv2.cvtColor() 可以把 OpenCV 默认读取的 BGR 三通道图像转换为单通道灰度图,在保留主要明暗结构的同时减少后续处理的数据量。

学习目标

  • 使用 cv2.cvtColor() 将 BGR 彩色图像转换为灰度图
  • 理解灰度转换前后的数组形状和通道变化
  • 判断何时应在阈值、边缘和特征处理前使用灰度图

使用 BGR2GRAY 完成转换

OpenCV 读取普通彩色图像后,数组形状通常为 (height, width, 3),三个通道依次表示 B、G、R。转换为灰度图时使用 cv2.COLOR_BGR2GRAY:

python
import cv2
import numpy as np

# 构造一张纯红色 BGR 图像,避免示例依赖外部图片文件。
color_image = np.zeros((100, 100, 3), dtype=np.uint8)
color_image[:, :] = (0, 0, 255)

gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)

saved = cv2.imwrite("gray_result.png", gray_image)
print("color shape:", color_image.shape)
print("gray shape:", gray_image.shape)
print("gray value:", int(gray_image[0, 0]))
print("saved:", saved)

预期输出

text
color shape: (100, 100, 3)
gray shape: (100, 100)
gray value: 76
saved: True

转换后第三个通道维度消失,灰度图变成二维数组。示例中的纯红色像素转换后约为 76,而不是简单取 R 通道的 255,说明灰度转换会综合不同颜色通道对亮度的贡献。

理解灰度值的含义

对于常见的 8 位图像,灰度值范围是 0~255:0 表示黑色,255 表示白色,中间值表示不同亮度。OpenCV 的 BGR 转灰度过程会按照不同权重组合蓝、绿、红通道,因此人眼更敏感的绿色通常具有更高亮度贡献。

通常不需要自己编写通道加权公式。cv2.cvtColor() 已处理通道顺序、数据类型和内部优化,也能避免把 RGB 与 BGR 顺序写反造成结果偏差。

为后续图像处理准备输入

灰度化常放在二值化和边缘检测之前,因为这些算法关注的是亮度变化,而不是每个颜色通道本身。例如 cv2.threshold() 的典型输入就是单通道灰度图;Canny 边缘检测也通常直接处理灰度结果。

灰度化还会把每个像素从三个颜色值缩减为一个亮度值,因此在相同宽高下,后续遍历和处理的数据量更小。不过它同时丢弃了颜色差异,如果目标只能依靠颜色区分,例如红绿信号灯分类,就不应过早舍弃彩色信息。

检查转换是否正确

最直接的验证方式是检查 shape。彩色图常见形状为 (H, W, 3),灰度图应为 (H, W)。如果结果仍然存在第三个维度,说明得到的可能不是预期的单通道灰度数据。

还应关注输入是否成功读取。实际项目使用 cv2.imread() 时,如果路径错误会返回 None,此时继续调用 cv2.cvtColor() 会触发断言错误。因此文件输入场景中,应在颜色转换前检查图像对象是否为空。

灰度转换本身只有一次函数调用,但真正需要确认的是输入通道顺序、输出数组维度以及颜色信息是否允许被舍弃。这三点确认无误后,得到的单通道图像就可以直接作为阈值、边缘或多数灰度特征算法的输入。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

转换灰度图像

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通