阅卷系统图像识别算法研究之一：图像灰度化算法

阅卷系统首先是对识别的答题卡进行拍照，众所周知移动终端摄像头拍摄的图片默认是彩色的，这种图片含有大量的颜色数据信息，存储是24位JPG或BMP格式的，直接处理起来将会占用大量的运算资源，造成整个阅卷系统底下。我们需要判别的只是填涂和不填涂这两个特征值，与颜色无关，故可将彩***片处理为灰度图来减轻运算压力，提高后续的识别速度和效率。

   根据色度学颜色模型理论，任意一种颜色均可用R、G、B三种基本颜色根据权重量配比合成。R、G、B即为红、绿、蓝三种颜色，由于彩色的图片是24位格式存储，故每一个颜色都是8位来表示的，即每一种的取值范围是0-255^[[i]]。也就是彩色的图片转为灰度图之后，一张灰度图的灰度级别范围是256级。

如果我们把灰度值定义为Grav（0-255），在RGB颜色模型理论里彩***片RGB每个分量经过某种特定算法处理后都相等且等于Grav值，也就是Grav就可以代表这张彩***片，由R、G、B分量根据特定算法计算出Grav值的过程就是彩色的图片的灰度化处理。

目前有三种常用的处理算法：

（1）最大值算法：如公式3-1所示，这种算法是比较图片中R、G、B三个颜色分量的数字大小，然后选择其中一个较大的作为该图片的灰度值Grav。

                   Grav=Max(R,G,B) （公式3-1）

这种处理方法比较简单直接，但获得灰度值结果比较大。

3-2是在原图3-1基础上采用最大值算法得到的，如图所示本算法得到的灰度图偏亮。

       图3-1 未处理原图                   图3-2 最大值算法灰度图

    （2）加权平均值算法：在我们观察一张彩***片时，我们总会感觉绿色部分最突出明显，蓝色部分则不太明显，红色部分居于绿色和蓝色中间感觉，这是由于我们人眼对R、G、B三种颜色分量的敏感度不同造成的[[i]]。如公式3-2，公式3-3所示，加权平均值算法就是对R、G、B三个颜色分量设置加权系数。

                Grav=(a*R+b*G+c*B) （公式3-2）

Grav=3R=3G=3B  （公式3-3）

一般认为，当a=0.299、b=0.587、c=0.114时，转换得来的图像是人眼观看最适宜的灰度图，也即加权平均值算法公式如公式3-4所示。

                Grav=(0.299*R+0.587*G+0.114*B) （公式3-4）

图3-3是在原图3-1基础上采用加权平均值算法得到的，如图所示本算法得到的灰度图亮度适宜。

图3-3 加权平均值算法灰度图

（3）平均值算法：如公式3-5所示，平均值算法也即将R、G、B三个颜色分量的数值求平均值，这种算法也比较简单，获得的灰度值较好的反映了图像的本征值。              Grav=(R+G+B)/3（公式3-5）

图3-4是在原图3-1基础上采用平均值算法得到的灰度图，图像比较柔和。

图3-4 平均值算法灰度图

为了使上述实验结果更加有说服力，我们在用另外一张色彩比较深的图片做灰度化处理做对比，从而观察各种算法的实际效果，实际效果如图3-5、3-6、3-7、3-8。

G、B三个颜色分量的数值求平均值，这种算法也比较简单，获得的灰度值较好的反映了图像的本征值。              Grav=(R+G+B)/3（公式3-5）

图3-4是在原图3-1基础上采用平均值算法得到的灰度图，图像比较柔和。

图3-4 平均值算法灰度图

为了使上述实验结果更加有说服力，我们在用另外一张色彩比较深的图片做灰度化处理做对比，从而观察各种算法的实际效果，实际效果如图3-5、3-6、3-7、3-8。

     图3-5 未处理原图                            图3-6 最大值算法灰度图

     图3-7 加权平均值算法灰度图               图3-8平均值算法灰度图

  综上所述，加权平均值是最优的算法，本方案采用加权平均值进行答题卡拍摄图片的灰度化处理，进而得到适合后续处理的灰度图。

[[i]] Park J H, Park C W. The YIQ Model of Computed Tomography Color Image Variable Block with Fractal Image Coding[J]. 2016, 10(4):263-270.

[[i]] 朱清溢. 彩色编码结构光三维测量的研究[D]. 四川大学, 2006.