《Python人脸识别：从入门到工程实践》 ——3.2.2　灰度图像与二值图像

3.2.2　灰度图像与二值图像

在上面我们已经接触到图像的颜色模型了，以RGB颜色模型为例，可以认为一张图片的颜色是由包含了红、绿、蓝3种不同通道的颜色进行叠加混合而产生的。

从数学角度来看，对于一张彩***片，可以认为其是由3个二维矩阵进行叠加混合而产生的，每一个二维矩阵记录了某种颜色在不同位置处的亮度值，那么3个二维矩阵就对应了该图片的3个最基本的颜色通道。

换句话说，有人说一张图片就是一个矩阵，其实这样的表述是不严谨的。对于彩***片来讲，一张图片不仅包含了一个矩阵，而是包含了红、绿、蓝3种不同颜色信息的3个矩阵。那么，是否存在一张图片就是一个矩阵的情况呢？当然有！我们下面介绍的灰度图像与二值图像就是如此。

1.灰度图像

如图3-3所示，只需要用一个二维矩阵就可以表示一个灰度图像了，我们可以看到这个8×8图片所表现的图形是一个字母Z的形状。　

我们在平时接触到灰度图像的情景非常多。例如，非彩色打印的书籍中的图片就是灰度图像，黑白照片也是灰度图像。这类图片有个特点，虽然这些图片没有包含其他五颜六色的信息，但是，我们依然能够从这些图片中获取到图像的轮廓、纹理、形状等特征。

我们的直观感觉是正确的，这也说明了灰度图像相对于彩***像缺少了具体的颜色信息，但是，灰度图像依然能够完好地展示出图像中各个部分的轮廓、纹理、形状等关键特征，同时灰度图片的存储结构相对于彩***片更为简单。这样便会产生一个优点，如果我们想要提取图像中的特征与颜色无太多关联，那么我们就可以选择将彩***片处理成灰度图片的预处理方式。由于灰度图片的结构更为简单，同时关键信息又不大会损失，这样就可以极大地减少计算量。

回过头我们再来想一想，我们可以通过手机来拍摄彩色照片，同样也可以拍摄出黑白照片。在这个过程中我们可以猜想，黑白照片和彩色照片是否存在转换关系呢？答案是肯定的。我们可以通过数学公式将RGB模型中的红、绿、蓝3个矩阵进行合并，合并成一个矩阵，这个矩阵就是代表了灰度图像的矩阵。

我们知道，即便是黑色，也分为不同的等级。黄种人再怎么晒黑也很难达到黑种人的肤色程度，即便我们周围确实有一些肤色黝黑的人。假如令黑种人的肤色为1代表纯黑色，白种人的肤色为0代表纯白色，那么我们黄种人中有的长得白一点的女生，她的肤色值就可以是0.2，有的长得黑一点的男生，他的肤色值就可以是0.6。

从上述的例子中，我们得出了一个结论：即便是黑色的程度也是可以量化的，介于黑色和白色之间的颜色就是灰色，那么直接量化的就是灰色的程度，这个程度就是灰度。一般的量化方法是将纯白色作为255，纯黑色作为0，在这个区间中，使用对数的方法划分具体数值进行量化。当然这个数值可以是浮点数。

从彩***片到灰度图片之间的转化公式就可以表示为：Igray=［0.299,0.587,0.114］·［Ir,Ig,Ib］(3.1)其中，Igray代表灰度图像中的灰度值，［Ir,Ig,Ib］代表彩***像中R、G、B通道中的像素值。

式（3.1）表示了两个向量进行点乘的过程，例如图片中某一点的RGB值为（255,0,100），那么将该图片转化到灰度图片时，对应位置的灰度值为：Igray=0.299×255+0.587×0+0.114×100=87.645这里给出的转换系数只是一个参考值，使用不同的灰度图转换方法得到的值也是不相同的，一般常用的RGB数值比例大致为3∶6∶1。

2.二值图像

二值图像顾名思义只有纯黑色和纯白色两种颜色，没有中间过渡的灰色。其数据结构也是一个二维矩阵，只不过这里面的数值只有0和1两种。

二值图像是在灰度图像的基础上进一步计算的结果，计算过程比较简单，需要指定一个阈值，然后判断图片中不同点处的灰度值，如果该点处的灰度值高于阈值则该点值为1，否则为0，这样也就实现了灰度图片二值化的过程了。图3-4为一张二值图像。

可以看到，二值图像的空间占用量进一步减少了，每图3-4　二值图像的示例一个像素点只需要1比特就可以表示了，这对于表示字符这类非黑即白形式的图片具有优势。由于二值图像是在灰度图片的基础上通过阈值判断产生的，这样就会缺少细节部分，只能显示出图片的大致轮廓。不过，这个特性虽然带给我们直观的感觉是很不好的，但是，这在图像的分割等场景中具有很好的利用价值。