如何使用python opencv实现灰度图和彩色图的互相转换(opencv,python,开发技术)

opencv灰度图和彩色图互相转换

如果摄像头本来就得到3维度红外图那就不用处理直接可以用：

importcv2cap=cv2.VideoCapture(0)ret,image_np=cap.read()

直接转成单通道的灰度图看看能不能用：

#如果后面不写0，那就是默认彩色的#第一种方式image=cv2.imread('***/timg4.jpg',0)#第二种方式#dst=cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)detecotr=TOD()detecotr.detect(image)#或者视频转换方式如下ret,image_np=cap.read()image_np=cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)

上面两种方式得到的数据是不完全相同的，网上尚未查找到具体原因，通过对读取到的ndArray数据对比，发现存在不完全相同的数据。

观察直接转成1通道的图像：

直接转成了1通道灰度图喂进去神经网络不行，因为只有1通道，必须经过如下的处理；

image_np=cv2.cvtColor(image_np,cv2.COLOR_GRAY2BGR)

上面代码可以得到3通道灰度图，就是把灰度图的1通道复制三遍，然后就可以喂进网络了：

红外图像和灰度图像本身就不是在同一分类标准下得到的概念。

红外图像是红外成像设备采集目标在红外波段的辐射形成的影像，这个图像可专以是灰度图像，也可以彩色图像。同样的道理，可见光图像可以是灰度属图像，也可以彩色图像。

灰度图像是相对彩色图像而言的。灰度图像没有颜色，灰度值由0变化至255时，图像由黑变白。

再将上述的3通道灰度值转换为伪彩图，观察结果：

ret,image_np=cap.read()image_np=cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)#image_np=cv2.cvtColor(image_np,cv2.COLOR_GRAY2BGR)image_np=cv2.applyColorMap(image_np,cv2.COLORMAP_JET)

对于伪彩图有不同的伪彩图方式，各个函数如下：

#COLORMAP_AUTUMN=0,#COLORMAP_BONE=1,#COLORMAP_JET=2,#COLORMAP_WINTER=3,#COLORMAP_RAINBOW=4,#COLORMAP_OCEAN=5,#COLORMAP_SUMMER=6,#COLORMAP_SPRING=7,#COLORMAP_COOL=8,#COLORMAP_HSV=9,#COLORMAP_PINK=10,#COLORMAP_HOT=11

注意：

在使用模型框架的时候，如果是使用tensorflow object detection API，需要将1通道的灰度图转成3通道（唯一通道复制三遍）来训练和检测；

为什么不直接使用者通道的灰度图来做呢，这样是不是能提高性能呢？

不是，因为这样对于提高性能和速度没有意义，它只影响了卷积神经网络的第一层而已，后续层的计算量和参数量没有丝毫影响，这样的影响等同于没有，如果真的考虑性能和速度，直接更改模型更可靠。

附：python将灰度图转换为RGB彩色图

fromPILimportImageimportospath=r'图片存储的路径'newpath=r'转换后存储图片的路径'defRGBtoGray(path):files=os.listdir(path)forfileinfiles:imgpath=path+'/'+file#print(imgpath)#im=Image.open(imgpath).convert('RGB')#resize将图像像素转换成自己需要的像素大小img=im.resize((512,512))dirpath=newpathfile_name,file_extend=os.path.splitext(f)dst=os.path.join(os.path.abspath(dirpath),file_name+'.jpg')img.save(dst)if__name__=="__main__":RGBtoGray(path)