第二章彩色圖像處理初步對(duì)于單色（灰度）圖像而言，每個(gè)像素的亮度用一個(gè)數(shù)值來表示。而彩色圖像的每個(gè)像素包含了顏色信息，每個(gè)像素的光強(qiáng)度和色度需用三個(gè)數(shù)值來描述。研究彩色圖像處理，主要有兩個(gè)原因：首先，彩色圖像符合人類視覺特點(diǎn)，人類可以辨別幾千種顏色色調(diào)和亮度，卻只能辨別幾十種灰度層次；其次，彩色可以更好地表達(dá)圖像的特征，可根據(jù)圖像的顏色特征簡(jiǎn)化目標(biāo)物的區(qū)分與識(shí)別。本書將對(duì)彩色圖像和顏色空間、偽彩色圖像處理、基于彩色的圖像分割、彩色圖像灰度化進(jìn)行討論。2.1彩色圖像和顏色空間顏色空間也稱為顏色模型或彩色系統(tǒng)，用于方便對(duì)顏色進(jìn)行描述和說明。常用的顏色空間包括RGB顏色空間和HSI顏色空間。本節(jié)將對(duì)RGB顏色空間和HSI顏色空間進(jìn)行簡(jiǎn)要介紹。2.1.1RGB顏色空間白光通過玻璃棱鏡，會(huì)出現(xiàn)紫色到紅色的連續(xù)彩色譜。每種色譜都有其相應(yīng)的波長(zhǎng)，光由多種色譜構(gòu)成，在顏色空間中理論上可以選取多種顏色。人眼中有大量對(duì)紅、綠、藍(lán)三種顏色敏感的錐狀體細(xì)胞。因此，常用紅色（Red,R）、綠色（Green,G）、藍(lán)色（Blue,B）組成的RGB顏色空間表達(dá)彩色圖像的信息。這三種原色的混合色覆蓋了人類色彩空間的很大一部分，從而產(chǎn)生了人類色彩體驗(yàn)的很大部分。面向硬件設(shè)備的RGB顏色空間主要用于電視、計(jì)算機(jī)等電子系統(tǒng)感知、表示和顯示圖像。例如，電視常使用與紅、綠、藍(lán)三原色混合的加色，每一種都刺激眼睛的三種顏色受體中的一種。RGB顏色空間基于三維直角坐標(biāo)系，包括R、G、B三個(gè)原始光譜分量，如圖2-1所示。RGB顏色空間中的R、G、B三個(gè)分量的值分別描述了紅色、綠色、藍(lán)色的亮度值。為了方便描述，將三個(gè)分量都進(jìn)行歸一化，使得三元組中的每個(gè)數(shù)值表示紅色、綠色、藍(lán)色三者的比例。在圖2-1所中，原點(diǎn)（0,0,0）代表黑色，點(diǎn)（1,1,1）代表白色，點(diǎn)（1,0,0）代表紅色，點(diǎn)（0,1,0）代表綠色，點(diǎn)（0,0,1）代表藍(lán)色。圖2-1RGB顏色空間RGB圖像由三個(gè)圖像分量組成，分別是R通道圖像，G通道圖像和B通道圖像。如下所示的python代碼展示了如何顯示RGB圖像以及R、G、B三個(gè)通道的灰度圖像，結(jié)果如圖2-2所示。fromskimageimportdatafrommatplotlibimportpyplotaspltimportnumpyasnpimage=data.coffee()#載入測(cè)試圖像fig=plt.figure()plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False#兩行兩列的第一個(gè)子圖axis=fig.add_subplot(221)plt.axis('off')#不顯示坐標(biāo)軸plt.imshow(image)#顯示RGB彩色圖像plt.title('RGB圖像')#第二個(gè)子圖axis=fig.add_subplot(222)imageR=image[:,:,0]plt.axis('off')plt.imshow(imageR,cmap='gray')#顯示R通道圖像plt.title('R通道圖像')#第三個(gè)子圖axis=fig.add_subplot(223)imageG=image[:,:,1]plt.axis('off')plt.imshow(imageG,cmap='gray')#顯示G通道圖像plt.title('G通道圖像')#第四個(gè)子圖axis=fig.add_subplot(224)imageB=image[:,:,2]plt.axis('off')plt.imshow(imageB,cmap='gray')#顯示B通道圖像plt.title('B通道圖像')plt.savefig('RGBimage.tif')圖2-2RGB圖像和R、G、B通道圖像2.1.2HSI顏色空間當(dāng)描述物體顏色時(shí)，也常用HSI顏色空間，旨在更接近人類視覺感知顏色的方式。HSI顏色空間包含三個(gè)分量，分別是色調(diào)（Hue,H）、飽和度（Saturation,S）和亮度（Intensity,I），如圖2-3所示。HSI顏色空間圓柱體的橫截面稱為色環(huán)，色環(huán)更加清晰地展示了色調(diào)和飽和度兩個(gè)參數(shù)，如圖2-4所示。色調(diào)H由角度表示，其反映了該彩色最接近哪個(gè)光譜波長(zhǎng)。在色環(huán)中，0°表示紅色光譜，120°表示綠色光譜，240°表示藍(lán)色光譜。飽和度S由色環(huán)的圓心到彩色點(diǎn)的半徑表示，距離越長(zhǎng)表示飽和度越高，則顏色越鮮明。亮度I由顏色點(diǎn)到圓柱底部的距離表示。在HSI顏色空間圓柱體中，圓柱體底部的圓心表示黑色，頂部圓心表示白色。圖2-3HSI顏色空間圖2-4HSI顏色空間中的色環(huán)2.1.3RGB顏色空間與HSI顏色空間之間的轉(zhuǎn)換(1)RGB顏色空間轉(zhuǎn)換到HSI顏色空間給定一幅RGB顏色空間格式的圖像，將RGB分量都?xì)w一化，每個(gè)像素的H、S、I分量可分別由以下公式計(jì)算得到。(2)HSI顏色空間轉(zhuǎn)換到RGB顏色空間假設(shè)S分量和I分量的值在[0,1]區(qū)間，R、G、B分量的值也在[0,1]區(qū)間，則HSI轉(zhuǎn)換為RGB的公式如下所示:當(dāng)H∈[0°,120°)時(shí)轉(zhuǎn)換公式為當(dāng)H∈[120°,240°)時(shí)轉(zhuǎn)換公式為當(dāng)H∈[240°,360°)時(shí)轉(zhuǎn)換公式為HSI圖像由三個(gè)分量組成，分別是H分量，S分量和I分量。以下python代碼展示了如何轉(zhuǎn)換RGB圖像為HSI圖像，結(jié)果如圖2-5所示。fromskimageimportdatafrommatplotlibimportpyplotaspltimportmathimportnumpyasnpimportsys#定義RGB轉(zhuǎn)HSIdefrgb2hsi(r,g,b):r=r/255g=g/255b=b/255num=0.5*((r-g)+(r-b))den=((r-g)*(r-g)+(r-b)*(g-b))**0.5ifb<=g:ifden==0:den=sys.float_info.minh=math.acos(num/den)elifb>g:ifden==0:den=sys.float_info.minh=(2*math.pi)-math.acos(num/den)s=1-(3*min(r,g,b)/(r+g+b))i=(r+g+b)/3returnint(h),int(s*100),int(i*255)image=data.imread('flower.jpg')hsi_image=np.zeros(image.shape,dtype='uint8')foriiinrange(image.shape[0]):forjjinrange(image.shape[1]):r,g,b=image[ii,jj,:]h,s,i=rgb2hsi(r,g,b)hsi_image[ii,jj,:]=(h,s,i)plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falseplt.subplot(2,3,1)plt.axis('off')plt.imshow(image)plt.title('RGB原圖像')plt.subplot(2,3,2)plt.axis('off')plt.imshow(image[:,:,0],cmap='gray')plt.title('R分量')plt.subplot(2,3,3)plt.axis('off')plt.imshow(hsi_image)plt.title('HSI圖像')plt.subplot(2,3,4)plt.axis('off')plt.imshow(hsi_image[:,:,0],cmap='gray')plt.title('H分量')plt.subplot(2,3,5)plt.axis('off')plt.imshow(hsi_image[:,:,1],cmap='gray')plt.title('S分量')plt.subplot(2,3,6)plt.axis('off')plt.imshow(hsi_image[:,:,2],cmap='gray')plt.title('I分量')plt.savefig('HSIimage.tif')圖2-5H、S、I分量圖像2.2偽彩色圖像處理彩色圖像處理可分為全彩色圖像處理和偽彩色圖像處理。全彩色圖像由全彩色傳感器獲取，如數(shù)碼相機(jī)、數(shù)碼攝像機(jī)和彩色掃描儀。全彩色圖像處理研究分為兩大類：分別處理每一分量圖像，然后合成彩色圖像；直接對(duì)彩色像素進(jìn)行處理。偽彩色圖像也叫假彩色圖像處理，其根據(jù)一定的準(zhǔn)則對(duì)灰度值賦以彩色，將灰度圖像轉(zhuǎn)化為給定彩色分布的圖像。由于人類可以辨別上千種顏色和強(qiáng)度，卻只能辨別幾十種灰度，因此進(jìn)行偽彩色圖像處理可以增強(qiáng)人眼對(duì)細(xì)節(jié)的分辨能力，幫助人們更好地觀察和解釋圖像中的灰度目標(biāo)。偽彩色圖像處理主要包括強(qiáng)度分層技術(shù)和灰度級(jí)到彩色轉(zhuǎn)換技術(shù)。2.2.1強(qiáng)度分層強(qiáng)度分層，也稱為灰度分層或灰度分割，將灰度圖像按照灰度級(jí)范圍劃分為不同的層級(jí)，然后給每個(gè)層級(jí)賦予不同的顏色，從而增強(qiáng)不同層級(jí)的對(duì)比度。強(qiáng)度分層技術(shù)將灰度圖像轉(zhuǎn)化為偽彩色圖像，且偽彩色圖像的顏色種類數(shù)目與強(qiáng)度分層的數(shù)目相一致。令f(x,y)表示位于空間位置(x,y)處的像素的灰度級(jí)（強(qiáng)度），[0,L-1]表示灰度級(jí)，使l0代表黑色(f(x,y)=0),lL-1代表白色(f(x,y)=L-1)。假定分割值為l1，l2，l3，……，lM（0<M<L-1），則將圖像灰度劃分為M+1個(gè)區(qū)間V1，V2，V3，……，VM，VM+1?；叶燃?jí)到彩色的映射關(guān)系為：f(x,y)=ck，f(x,y)∈Vk（k取值為1，2，3，，……，M，M+1），其中ck是與第k個(gè)灰度區(qū)間Vk有關(guān)的顏色。圖2-6展示了強(qiáng)度分層技術(shù)的映射關(guān)系，從圖中可以看出灰度區(qū)間[0，l1)將映射為顏色c1，灰度區(qū)間[l1，l2)將映射為顏色c2，灰度區(qū)間[LM-1，lM)將映射為顏色cM，灰度區(qū)間[LM，L-1)將映射為顏色cM+1。

圖2-6強(qiáng)度分層技術(shù)的映射關(guān)系一種簡(jiǎn)單的強(qiáng)度分層技術(shù)的示例如圖2-7所示，其相應(yīng)的python代碼如下所示。假設(shè)圖2-7中，咖啡杯的杯口是感興趣區(qū)域。通過觀察灰度圖像，可以發(fā)現(xiàn)感興趣區(qū)域的亮度值較高。此時(shí)可以通過強(qiáng)度分層技術(shù)對(duì)感興趣區(qū)域進(jìn)行著色，從而將感興趣區(qū)域和其他區(qū)域加以區(qū)分。fromskimageimportdata,colorfrommatplotlibimportpyplotaspltimportnumpyasnpimg=data.coffee()grayimg=color.rgb2gray(img)#將彩色圖像轉(zhuǎn)化為灰度圖像plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falseplt.subplot(1,2,1)plt.imshow(grayimg,cmap='gray')plt.title('灰度圖像')rows,cols=grayimg.shapelabels=np.zeros([rows,cols])foriinrange(rows):forjinrange(cols):if(grayimg[i,j]<0.4):labels[i,j]=0elif(grayimg[i,j]<0.8):labels[i,j]=1else:labels[i,j]=2psdimg=color.label2rgb(labels)#不同的label采用不同的顏色plt.subplot(1,2,2)plt.imshow(psdimg)plt.title('強(qiáng)度分層圖像')plt.savefig('灰度分層.tif')圖2-7灰度圖像和強(qiáng)度分層圖像2.2.2灰度級(jí)到彩色變換灰度級(jí)到彩色變換技術(shù)是對(duì)任何輸入像素的灰度級(jí)執(zhí)行三個(gè)獨(dú)立的變換。然后將三個(gè)變換結(jié)果分別作為偽彩色圖像的紅、綠、藍(lán)通道。與強(qiáng)度分層技術(shù)相比，灰度級(jí)到彩色變換技術(shù)更為通用。灰度級(jí)到彩色變換技術(shù)的功能框圖如圖2-8所示。f(x,y)表示位于空間位置(x,y)處的像素的灰度級(jí)（強(qiáng)度），fR(x,y)表示經(jīng)過f(x,y)經(jīng)過紅色變換后的結(jié)果，fG(x,y)表示經(jīng)過f(x,y)經(jīng)過綠色變換后的結(jié)果，fB(x,y)表示經(jīng)過f(x,y)經(jīng)過藍(lán)色變換后的結(jié)果。fR(x,y)、fG(x,y)、fB(x,y)分別作為紅色、綠色、藍(lán)色的亮度值，合成RGB彩色圖像。圖2-8灰度級(jí)到彩色變換技術(shù)的功能框圖以公式，，和分別作為紅色變換、綠色變換、藍(lán)色變換函數(shù)，則灰度級(jí)到彩色變換的映射關(guān)系如圖2-9所示?；叶葓D像按照映射關(guān)系轉(zhuǎn)化為偽彩色圖像，其相應(yīng)的python代碼如下所示，變換結(jié)果如圖2-10所示。fromskimageimportdata,colorfrommatplotlibimportpyplotaspltimportnumpyasnp#定義灰度級(jí)到彩色變換L=255defGetR(gray):ifgray<L/2:return0elifgray>L/4*3:returnLelse:return4*gray-2*LdefGetG(gray):ifgray<L/4:return4*grayelifgray>L/4*3:return4*L-4*grayelse:returnLdefGetB(gray):ifgray<L/4:returnLelifgray>L/2:return0else:return2*L-4*grayimg=data.coffee()grayimg=color.rgb2gray(img)*255#將彩色圖像轉(zhuǎn)化為灰度圖像colorimg=np.zeros(img.shape,dtype='uint8')foriiinrange(img.shape[0]):forjjinrange(img.shape[1]):r,g,b=GetR(grayimg[ii,jj]),GetG(grayimg[ii,jj]),GetB(grayimg[ii,jj])colorimg[ii,jj,:]=(r,g,b)plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falseplt.subplot(1,2,1)plt.axis('off')plt.imshow(grayimg,cmap='gray')plt.title('灰度圖像')plt.subplot(1,2,2)plt.axis('off')plt.imshow(colorimg)plt.title('偽彩色圖像')plt.savefig('Intensity2Color.tif')圖2-9灰度級(jí)到彩色變換的映射關(guān)系圖圖2-10灰度級(jí)到彩色變換示例2.3基于彩色的圖像分割圖像分割是把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程?；诓噬膱D像分割是在顏色空間中進(jìn)行圖像分割。本節(jié)將討論在HSI顏色空間和RGB顏色空間中的彩色圖像分割。2.3.1HSI顏色空間的分割HSI顏色空間是面向顏色處理的，用色調(diào)(H)和飽和度(S)描述色彩，用亮度(I)描述光的強(qiáng)度。HSI模型有兩個(gè)特點(diǎn)：I分量與圖像的彩色信息無關(guān)；H分量和S分量與人感受顏色的方式是緊密相連的。這些特點(diǎn)使得HSI模型非常適合于借助人的視覺系統(tǒng)來感知彩色特性的圖像處理算法。在彩色圖像分割中不常使用I分量，因?yàn)樗话噬畔?。假定感興趣區(qū)域是圖2-11原始RGB圖像中的紅色花朵。圖2-11給出了該圖像的H分量、S分量、I分量圖像。觀察H分量圖像可以發(fā)現(xiàn)感興趣區(qū)域具有較高的色調(diào)值，觀察S分量圖像可以發(fā)現(xiàn)感興趣區(qū)域的色彩飽和度較高。在飽和度圖像中選擇門限值等于最大飽和度的30%，任何比門限大的像素賦1值(白)，其他賦0值(黑)，則可參考S分量產(chǎn)生二值飽和度模板。將飽和度二值模板作用于色調(diào)圖像即可產(chǎn)生出紅色花朵分割的結(jié)果，如圖2-11所示。HSI顏色空間中彩色圖像分割的python代碼如下所示。fromskimageimportdatafromskimageimportdatafrommatplotlibimportpyplotaspltimportmathimportnumpyasnpimportsys#定義RGB轉(zhuǎn)HSIdefrgb2hsi(r,g,b):r=r/255g=g/255b=b/255num=0.5*((r-g)+(r-b))den=((r-g)*(r-g)+(r-b)*(g-b))**0.5ifb<=g:ifden==0:den=sys.float_info.minh=math.acos(num/den)elifb>g:ifden==0:den=sys.float_info.minh=(2*math.pi)-math.acos(num/den)s=1-(3*min(r,g,b)/(r+g+b))i=(r+g+b)/3returnint(h),int(s*100),int(i*255)image=data.imread('flower.jpg')hsi_image=np.zeros(image.shape,dtype='uint8')foriiinrange(image.shape[0]):forjjinrange(image.shape[1]):r,g,b=image[ii,jj,:]h,s,i=rgb2hsi(r,g,b)hsi_image[ii,jj,:]=(h,s,i)H=hsi_image[:,:,0]S=hsi_image[:,:,1]I=hsi_image[:,:,2]#生成二值飽和度模板S_template=np.zeros(S.shape,dtype='uint8')foriinrange(S.shape[0]):forjinrange(S.shape[1]):ifS[i,j]>0.3*S.max():S_template[i,j]=1#色調(diào)圖像與二值飽和度模板相乘可得到分割結(jié)果FF=np.zeros(H.shape,dtype='uint8')foriinrange(F.shape[0]):forjinrange(F.shape[1]):F[i,j]=H[i,j]*S_template[i,j]plt.imshow(F,cmap='gray')#顯示結(jié)果plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falseplt.subplot(2,3,1)plt.axis('off')plt.imshow(image)plt.title('原始RGB圖像')plt.subplot(2,3,2)plt.axis('off')plt.imshow(H,cmap='gray')plt.title('H分量')plt.subplot(2,3,3)plt.axis('off')plt.imshow(S,cmap='gray')plt.title('S分量')plt.subplot(2,3,4)plt.axis('off')plt.imshow(I,cmap='gray')plt.title('I分量')plt.subplot(2,3,5)plt.axis('off')plt.imshow(S_template,cmap='gray')plt.title('二值飽和度模板')plt.subplot(2,3,6)plt.axis('off')plt.imshow(F,cmap='gray')plt.title('分割結(jié)果')plt.savefig('HSI彩色分割.tif')圖2-11HSI空間中的圖像分割2.3.2RGB顏色空間的分割RGB是最常用的描述彩色圖像的顏色空間。RGB顏色空間的分割算法是最直接的，得到的效果通常較好。假定現(xiàn)在感興趣區(qū)域是圖2-12中的紅色花朵，則可以選取一些有代表色彩的像素點(diǎn)組成樣本集合，通過樣本集對(duì)待分割的顏色的“平均”進(jìn)行估計(jì)。用向量a表示平均顏色，向量z表示RGB空間中的任一像素點(diǎn)的特征。若z與a的歐氏距離小于給定的閾值D0，則認(rèn)為z與a是相似的。歐氏距離需要計(jì)算開方，比較復(fù)雜?？梢允褂靡粋€(gè)邊界盒，盒子的中心在a處，盒子在R、G、B三個(gè)維度的長(zhǎng)度和樣本集在每個(gè)維度標(biāo)準(zhǔn)差成正比。當(dāng)z在盒子內(nèi)部或表面時(shí)，判定z屬于感興趣區(qū)域，否則判定z不屬于感興趣區(qū)域。RGB空間中的圖像分割的python代碼如下所示，其分割結(jié)果如圖2-12所示。fromskimageimportdatafrommatplotlibimportpyplotaspltimportnumpyasnpimportmathimage=data.imread('flower.jpg')r=image[:,:,0]g=image[:,:,1]b=image[:,:,2]#RGB顏色空間中的分割#選擇要樣本區(qū)域r1=r[128:255,85:169]#計(jì)算該區(qū)域中的彩色點(diǎn)的平均向量a的紅色分量r1_u=np.mean(r1)#計(jì)算樣本點(diǎn)紅色分量的標(biāo)準(zhǔn)差r1_d=0.0foriinrange(r1.shape[0]):forjinrange(r1.shape[1]):r1_d=r1_d+(r1[i,j]-r1_u)*(r1[i,j]-r1_u)r1_d=math.sqrt(r1_d/r1.shape[0]/r1.shape[1])#尋找符合條件的點(diǎn)，r2為紅色分割圖像r2=np.zeros(r.shape,dtype='uint8')foriinrange(r.shape[0]):forjinrange(r.shape[1]):ifr[i,j]>=(r1_u-1.25*r1_d)andr[i,j]<=(r1_u+1.25*r1_d):r2[i,j]=1#image2為根據(jù)紅色分割后的RGB圖像，image2=np.zeros(image.shape,dtype='uint8')foriinrange(r.shape[0]):forjinrange(r.shape[1]):ifr2[i,j]==1:image2[i,j,:]=image[i,j,:]#顯示結(jié)果plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falseplt.subplot(2,3,1)plt.axis('off')plt.imshow(image)plt.title('原始RGB圖像')plt.subplot(2,3,2)plt.axis('off')plt.imshow(r,cmap='gray')plt.title('R分量')plt.subplot(2,3,3)plt.axis('off')plt.imshow(g,cmap='gray')plt.title('G分量')plt.subplot(2,3,4)plt.axis('off')plt.imshow(b,cmap='gray')plt.title('B分量')plt.subplot(2,3,5)plt.axis('off')plt.imshow(r2,cmap='gray')plt.title('紅色分割圖像')plt.subplot(2,3,6)plt.axis('off')plt.imshow(image2)plt.title('分割后的RGB圖像')plt.savefig('RGB彩色分割.tif')如圖2-12所示，我們對(duì)RGB圖像中的紅色花朵感興趣。觀察R分量、G分量、B分量圖像，可以發(fā)現(xiàn)R分量中紅色花朵區(qū)域的值較高，并且紅色花朵區(qū)域與背景的對(duì)比較明顯，因此選取R分量作為分析對(duì)象。首先選取紅色花朵的一小塊區(qū)域作為樣本集，計(jì)算該區(qū)域中的彩色點(diǎn)的平均向量a的紅色分量r1_u和標(biāo)準(zhǔn)差r1_d。當(dāng)z的紅色分量和r1_u的差值在1.25*r1_d范圍內(nèi)部時(shí)，判定z屬于感興趣區(qū)域，否則判定z不屬于感興趣區(qū)域。當(dāng)z被判定屬于感興趣區(qū)域時(shí)，其在紅色分割圖像中的值置1（白），否則為0（黑），如圖2-12的紅色分割圖像所示。將感興趣區(qū)域的像素點(diǎn)保持原始的紅色、綠色、藍(lán)色值，非感興趣區(qū)域的紅色、綠色、藍(lán)色值全部置0，使得背景變?yōu)楹谏?，如圖2-12的分割后的RGB圖像所示。對(duì)比圖2-12和圖2-11的分割結(jié)果，可以發(fā)現(xiàn)在RGB空間進(jìn)行彩色分割的效果較好。圖2-12RGB空間中的圖像分割2.4彩色圖像灰度化灰度圖像能以較少的數(shù)據(jù)表征圖像的大部分特征，因此在某些算法的預(yù)處理階段需要進(jìn)行彩色圖像灰度化，以提高后續(xù)算法速度。將彩色圖像轉(zhuǎn)化成為灰度圖像的過程稱為彩色圖像灰度化。本節(jié)將討論RGB彩色圖像的灰度化，其他顏色空間的圖像可先轉(zhuǎn)化至RGB顏色空間再進(jìn)行RGB彩色圖像灰度化。在RGB模型中，每個(gè)像素點(diǎn)的顏色R分量、G分量和B分量三個(gè)數(shù)值表示。灰度圖像每個(gè)像素一個(gè)灰度值（又稱強(qiáng)度值、亮度值）表示即可。本節(jié)討論最大值法、平均值法、加權(quán)平均法對(duì)RGB彩色圖像進(jìn)行灰度化處理。最大值法將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值，如下式所示：。平均值法對(duì)彩色圖像中的三分量的亮度求平均值以得到一個(gè)灰度值，如下式所示：。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此可以根據(jù)重要性對(duì)R、G、B三個(gè)分量進(jìn)行加權(quán)平均，得到較為合理的灰度值，如下式所示：。RGB彩色圖像灰度化的python代碼如下所示，代碼運(yùn)行結(jié)果如圖2-13所示。圖2-13從左到右依次是彩色圖像、最大值法得到的灰度圖像、平均值法得到的灰度圖像和加權(quán)平均法得到的灰度圖像。觀察圖2-13可以發(fā)現(xiàn)，加權(quán)平均法所得的灰度圖像效果較好。f