计算机视觉 / 系统课时

转换灰度图像

转换灰度图像

灰度转换会把三通道彩色图压缩成单通道亮度图,常用于边缘检测、阈值分割和形态学处理。本课使用 OpenCV 的标准转换规则完成 BGR 到灰度的处理,并通过像素值、形状和数据类型验证结果。

学习目标

  • 使用 cv2.COLOR_BGR2GRAY 把 OpenCV 彩色图转换为单通道灰度图。
  • 理解灰度值来自加权亮度,而不是三个通道的简单平均。
  • 通过数组维度、数据类型和已知像素检查转换结果是否正确。

灰度值不是三个通道的平均数

OpenCV 的 BGR 转灰度采用接近亮度感知的加权关系,可写成 Y=0.114B+0.587G+0.299RY=0.114B+0.587G+0.299R。绿色权重最高,蓝色最低,因此相同数值变化发生在不同通道时,对灰度亮度的影响并不相同。

例如 BGR 像素 [10, 20, 200] 的简单平均值约为 77,而按加权关系计算得到约 73。这个差异在彩色边缘和高饱和区域很常见,因此不要用 mean(axis=2) 代替标准灰度转换。

用 cvtColor 完成标准转换

下面构造一张只有两个像素的 BGR 图像。第一个像素用于观察加权结果,第二个三个通道都为 100,因此转换后的灰度值仍然应为 100。

python
import cv2
import numpy as np

bgr = np.array([[[10, 20, 200], [100, 100, 100]]], dtype=np.uint8)
gray = cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY)

print("shape:", gray.shape)
print("dtype:", gray.dtype)
print("values:", gray.tolist())

预期输出

text
shape: (1, 2)
dtype: uint8
values: [[73, 100]]

原数组形状是 1×2×3,转换后变为 1×2,颜色通道维度被移除。对于普通 uint8 输入,输出仍是 uint8,像素范围保持在 0~255。

用形状和已知像素验证结果

一张尺寸为 1920×1080 的 BGR 图像通常具有 (1080, 1920, 3) 的 NumPy 形状,转换为灰度后应得到 (1080, 1920)。如果仍有第三个维度,说明得到的并不是标准单通道灰度数组。

还可以使用已知颜色做快速检查:纯黑 [0, 0, 0] 应得到 0,纯白 [255, 255, 255] 应得到 255,而三个通道同为 100 时应得到 100。出现明显偏差时,应先确认输入究竟是 BGR 还是 RGB。

把灰度转换放在正确的处理链中

边缘检测通常不需要颜色信息,可以采用 BGR → Gray → GaussianBlur → Canny。一个常用起点是高斯核 (5, 5)、sigmaX=0,再用 Canny 阈值 50 和 150,随后根据实际图像噪声与边缘强度调整。

如果任务依赖颜色本身,例如识别红绿灯、按 HSV 范围分割物体或分析肤色区域,就不应过早丢弃彩色信息。灰度转换适合把问题简化为亮度结构,而不是所有视觉任务的固定第一步。

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