CN106447603A - 一种彩色图像灰度化方法 - Google Patents

Abstract

本发明公开了一种彩色图像灰度化方法，1)对彩色图像A进行颜色分析，将图像A的颜色进行分类得到若干种颜色值；2)将分类的颜色值扩展后转换为数据，用不同的数据代表不同的颜色范围；3)针对与彩色图像A形状及颜色相同的彩色图像B，直接应用上述数据进行灰度转换得到对应的灰度图B。本发明解决了重复图像颜色转换中的重复运算问题，提高了转换速度，将图像数据缩减了2/3。

Description

一种彩色图像灰度化方法

技术领域

本发明属于信息处理领域，具体涉及一种彩色图像灰度化方法。

背景技术

日常生活中大量彩色图像给人们带来视觉享受，因此人们对彩色图的要求越来越高、彩色图的应用越来越广泛，如广告、包装材料等。

目前在图像的表示中，主要分为灰度图像和彩色图像。灰度图像用一个字节表示，其值的大小为0--255.彩色图像用三个字节表示，每个像素的颜色分为R、G、B三个分量，而每个分量为0--255，这样一个像素点可以有255*255*255＝1600万的颜色变化。要区分颜色细节、颜色变化、亮度变化相对难度比较大。如果图像宽度为W，高度为H，则一幅图像的数据为3*W*H，这个数据是相同大小灰度图像的三倍。

通常的处理方法是将彩色图像转换为灰度图像处理，一方面是利用灰度图像数据相对小、灰度图像成熟处理算法多的优势，同时降低图像处理复杂度，因此，一般的彩色图像处理算法是先把彩色图像转换为灰度图像，再针对灰度图像进行处理。

对彩色图像转换为灰度图像的转换算法，广大科技工作者进行了大量研究工作：李栋(李栋.一种基于色彩主题的颜色转换方法[J].新乡学院学报.2015，32(9)：29--32.)提出一种基于色彩主题的颜色转换方法，该方法能在控制色彩比率的同时维持区域的空间一致性，帮助人们实现某种意境的传达；李瑞娟，楚高利，邓倩等(李瑞娟，楚高利，邓倩，王娜.印刷品质量检测颜色转换模型研究:包装工程.2015，36(11)：145--148.)基于色靶的测量数据，采用三维查找表法和多项式回归法，分别建立RGB与CIE L*a*b*颜色空间转换模型的方法取得比较好的效果；王辉，陈小雕，王毅刚(王辉，陈小雕，王毅刚.改进的非线性全局映射灰度化方法[J].计算机辅助设计与图形学学报[J]，2013，25(10)：1476—1479，1488.)提出了改进的非线性全局映射灰度化方法，以增强灰度图像的边缘特征；宋明黎，王慧琼，陈纯(宋明黎,王慧琼,陈纯.基于高斯混合模型的色彩转换[J].计算机辅助设计与图形学学报,2008，20(11)：1471—1476，1482.)提出一种基于高斯混合模型的色彩转换方法；张建德，邵定宏(张建德,邵定宏.改进的基于彩色空间距离的图像灰度化算法[J].机械与电子,2008，(1)：63--65)提出一种改进的基于彩色空间距离的图像灰度化算法，引入了高斯算子进行处理,把图像中的目标与背景分开；张全法杨海彬任朝栋等(张全法,杨海彬,任朝栋,李焕.彩色图像的快速高保真灰度化方法研究[J].郑州大学学报(理学版),201，(3)：66--69.)提出一种彩色图像的快速高保真灰度化方法，通过合理近似红、绿、蓝分量的权值,得到保真度很高且转换速度很快的计算公式完成彩色图像转换为灰度图像；刘庆祥蒋天发(刘庆祥,蒋天发.彩色与灰度图像间转换算法的研究[J].武汉理工大学学报(交通科学与工程版).2003，(3)：344--346.)提出了一种将32位彩色图像转换成8位灰度图像的HLS模型转换算法；周金和，彭福堂(周金和,彭福堂.一种有选择的图像灰度化方法[J].计算机工程,2006，(20)：198--200.)提出一种将选中的任意颜色灰度化为黑色,而与该颜色距离越远的颜色,其灰度值越高的方法实现转换；张志军，孙志辉(张志军,孙志辉.基于VC平台的彩色图像的灰度化技术[J].自动化技术与应用,2005，24(1)：61--64.)利用调色板技术实现基于VC平台的彩色图像的灰度化；张铭钧，李煊，王玉甲(张铭钧，李煊，王玉甲.基于灰度化权值调整的水下彩色图像分割[J].哈尔滨工程大学学报，2015，36(5)：707--713.)(Zhang,Mingjun；Li,Xuan；Wang,Yujia，Underwater color image segmentation basedon weight adjustment for color-to-gray[J]。Harbin Gongcheng Daxue Xuebao/Journal of Harbin Engineering University,v 36,n 5,p 707-713,May 25,2015.)提出一种基于灰度化权值调整的水下彩色图像分割方法；陈锻生宋凤菲，张群(陈锻生，宋凤菲，张群.一种彩色图像灰度化的自适应全局映射方法[J].计算机系统应用，2013，22(9)：164—167，171.)提出一种彩色图像灰度化的自适应全局映射方法，对具有主题色的彩色图像可以获得显著改善的灰度图像视觉效果；郭彦伶，彭进业，王大凯(郭彦伶，彭进业，王大凯.改进TV复原模型的彩色-灰度图像变换方法[C].计算机工程与应用，2009，45(07)：192--194.)提出一种改进TV复原模型的彩色-灰度图像变换方法，利用Sapiro等所提出的矢量图像的水平集概念,结合全变分复原,建立了新的变换模型；章卫祥，周秉锋(章卫祥，周秉锋.一种基于梯度域的彩色图像转灰度图像的方法[J].影像技术，2007，(03)：20--22.)0提出一种基于梯度域的彩色图像转灰度图像的方法。

彩色图像转换为灰度图像有很多种方法，在RGB模型中，如果R＝G＝B时，彩色即表示一种灰度颜色，其中R＝G＝B的值叫做灰度值。因此，灰度图像每个像素只需一个字节存放灰度值(又称亮度值)，灰度范围为0-255。用一个字节表示图像的一个像素的过程叫彩色图像灰度化。

图像的灰度化处理，常用的有以下四种设计方案：

1、加权平均法

根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对不同颜色的敏感度不同，因此，对RGB三分量进行加权平均能得到较合理的灰度图像。

根据重要性或其他指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均，即

R＝G＝B＝(WrR+WgG+WbB)/3

其中Wr，Wg，Wb分别为R、G、B的权值。Wr、Wg、Wb取不同的值，加权平均值法就形成不同的灰度图像。由于人眼对绿色的敏感度最高，红色次之，对蓝色最低，因此使Wg>Wr>Wb将得到比较合理的灰度图像。实验和理论推导证明，当Wr＝0.30，Wg＝0.59，Wb＝0.11时，即当

Vgray＝0.30R+0.59G+0.11B

R＝G＝B＝Vgray时，能得到合理的灰度图像。

2、平均值法：使用R、G、B的值求出平均值，即

R＝G＝B＝(R+G+B)/3

此平均值即为灰度图像的灰度值。

3、最大值法：使R、G、B的值等于3值中最大的一个，即

R＝G＝B＝max(R，G,，B)

取该最大值为灰度图像的灰度值。

4、查找表方法：利用256个R、G、B值的组合得到256种灰度值。

但是，对于一些有限种颜色的彩色图像，上述方法针对每幅图像都要进行一次运算，降低了效率。

发明内容

本发明的目的在于提供一种彩色图像灰度化方法，以克服现有技术中的问题，本发明解决了重复图像颜色转换中的重复运算问题，提高了转换速度，将图像数据缩减了2/3。扩展查找表方法在一定程度上提高了转换的可靠性，选择不同的误差范围，可提高转换的容忍度和精度。

为达到上述目的，本发明采用如下技术方案：

一种彩色图像灰度化方法，包括以下步骤：

1)对彩色图像A进行颜色分析并记录分析过程，将图像A的颜色进行分类得到若干种颜色值；

2)将分类的颜色值扩展后转换为数据，用不同的数据代表不同的颜色范围；

3)针对与彩色图像A形状及颜色相同的彩色图像B，直接应用上述数据进行灰度转换得到对应的灰度图B。

进一步地，步骤1)中对彩色图像A进行颜色分析并记录分析过程，将图像A的颜色进行分类的具体方法为：

1.1)设彩色图像A中任意像素点的颜色值为c(r,g,b)，其中r＝0,1,2,...,255、g＝0,1,2,...,255、b＝0,1,2,...,255；

1.2)对于两个彩色图像像素c_i＝(r_i,g_i,b_i)和c_j＝(r_j,g_j,b_j)，i,j＝0,1,2,...,M*N-1，如果满足：F(r_i,g_i,b_i,r_j,g_j,b_j)≤Δf(Δr,Δg,Δb)，则这两个像素相同，即颜色相同，否则，这两个像素不同，即颜色不同；其中M、N表示彩色图像A的列数与行数，F表示像素之间的分析算法，Δf为一种判据；

1.3)经过颜色分析后，将彩色图像A采用n种颜色来表示，分别为c₀＝(r₀,g₀,b₀)、c₁＝(r₁,g₁,b₁)、...、c_n-1＝(r_n-1,g_n-1,b_n-1)。

进一步地，像素之间的分析算法为分割算法、聚类算法或变换算法；判据为欧氏距离、马氏距离或函数。

进一步地，步骤2)具体为：对颜色值c(c₀,c₁,...,c_n-1)进行转换，c₀转换为d₀、c₁转换为d₁、...、c_n-1转换为d_n-1，所述转换为直接赋值，或者为线性或非线性变换。

进一步地，步骤3)中直接对彩色图像B灰度化的方法为：

对于彩色图像B的任意像素c_k＝(r_k,g_k,b_k)(k＝0,1,2,3,...,M*N-1)，如果它和彩色图像A的分析结果c_l＝(r_l,g_l,b_l)(l＝0,1,2,...n-1)之间满足

则认为这两个像素相同，即颜色相同；相同的颜色用同一个数字d_i(i＝0,1,2,...n-1)来表示，式中K、G分别为一种变换，Δr_l表示r_l的偏移量，Δg_l表示g_l的偏移量，Δb_l表示b_l的偏移量，l＝0,1,2,...,n-1。

进一步地，彩色图像B的任意像素和彩色图像A的分析结果之间满足的具体条件为：

进一步地，步骤3)中应用彩色图像A的分类结果，根据扩展查找表对彩色图像B进行灰度转换，具体步骤为：

1)构造扩展查找表：将分析得到的n种颜色扩展并用n个数据表示，分别为：d₀＝(r₀,g₀,b₀)、d₀＝(r₀,g₀,b₀±Δb)、d₀＝(r₀,g₀±Δg,b₀)、d₀＝(r₀±Δr,g₀,b₀)、d₀＝(r₀,g₀±Δg,b₀±Δb)、d₀＝(r₀±Δr,g₀±Δg,b₀)、d₀＝(r₀±Δr,g₀,b₀±Δb)、d₀＝(r₀±Δr,g₀±Δg,b₀±Δb)、...、d_i＝(r_i,g_i,b_i)、d_i＝(r_i,g_i,b_i±Δb)、d_i＝(r_i,g_i±Δg,b_i)、d_i＝(r_i±Δr,g_i,b_i)、d_i＝(r_i,g_i±Δg,b_i±Δb)、d_i＝(r_i±Δr,g_i±Δg,b_i)、d_i＝(r_i±Δr,g_i,b_i±Δb)、d_i＝(r_i±Δr,g_i±Δg,b_i±Δb)、...、d_n-1＝(r_n-1±Δr,g_n-1±Δg,b_n-1±Δb)；

2)应用这n个数据来表示彩色图像B，实现对彩色图像B的灰度化转换。

与现有技术相比，本发明具有以下有益的技术效果：

本发明对彩色图像A进行分割，分割出不同颜色，用不同的数字代表不同的颜色，该数字既代表颜色同时可以看作是一种灰度值，可以同时用于彩色和灰度图像处理中，即可以对该数据应用彩色图像处理算法，也可以对该数据应用灰度图像处理算法，对于和彩色图像A形状、颜色相同的图像B，可以直接应用上述的分割结果进行转换，如此只需要进行一次分割运算，然后将分割结果应用于大量相同图像中，从而可大量减少数据量、提高算法速度、降低算法难度，解决了重复图像颜色转换中的重复运算问题，提高了转换速度，将图像数据缩减了2/3，扩展查找表方法可进一步提高转换速度。

附图说明

图1为本发明的方法流程简图；

图2为本发明的颜色分析算法流程图；

图3为K-均值聚类算法流程图；

图4为FCM聚类算法流程图；

图5为构造扩展查找表算法流程图；

图6为扩展查找表颜色转换算法流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1，设想，对于一些有限种颜色的彩色图像，如果图像颜色比较少、颜色相对单一、颜色深浅变化、颜色亮度变化不大的应用场合，可以考虑用比较少的数据表示颜色、比较快的转换方法来进行灰度转换。即先对颜色进行分析，然后将分析结果应用到灰度转换中，基于颜色分析的彩色图像灰度化算法步骤为：

1、对彩色图像A进行分割，记录中间结果，分割出不同颜色；

2、结合分割结果扩展中间结果；

3、用不同的数字代表不同的颜色范围，该数字既代表颜色同时可以看作是一种灰度值，可以同时用于彩色和灰度图像处理中，即可以对该数据应用彩色图像处理算法，也可以对该数据应用灰度图像处理算法；

4、对于和聚类算法中形状、颜色相同的图像B，直接应用上述的分割结果进行转换。

这样做的好处是只需要进行一次分割运算，然后将分割结果应用于大量相同图像中，从而可大量减少数据量、提高算法速度、降低算法难度。

可以通过建立扩展查找表的方法进一步提高速度，扩展方法如图5所示。

如图2所示，颜色分析的目的是将颜色进行分类，将相同颜色分为一类，不同颜色分为不同的类，设彩色图像中任意像素点的颜色值为c(r,g,b)，其中r＝0、1、2、...、255、g＝0、1、2、...、255、b＝0、1、2、...、255，M、N表示图像的列数与行数，r表示红色、g表示绿色、b表示蓝色。经过颜色分析后，彩色图像可用n种颜色来表示，分别为c₀＝(r₀,g₀,b₀)、c₁＝(r₁,g₁,b₁)、...、c_n-1＝(r_n-1,g_n-1,b_n-1)，Δr_i表示r_i的偏移量，Δg_i表示g_i的偏移量，Δb_i表示b_i的偏移量，i＝0,1,2,...,n-1。

对于两个彩色图像像素c_i＝(r_i,g_i,b_i)和c_j＝(r_j,g_j,b_j)，i,j＝0,1,2,...,M*N-1，如果满足：

F(r_i,g_i,b_i,r_j,g_j,b_j)≤Δf(Δr,Δg,Δb)

则认为这两个像素相同，即颜色相同；否则，则认为这两个像素不同，即颜色不同；相同的像素(颜色)用同一种颜色c_i＝(r_i,g_i,b_i)(或c_i)(i＝0、1、2、...、n-1)来表示，n是该图像的颜色数。式中F表示像素之间的分析算法，如分割算法、聚类算法、变换算法等，分析算法中记录中间结果；Δf为一种判据，如欧氏距离、马氏距离、函数等。

对上述颜色分析得到的颜色值c(c₀,c₁,...,c_n-1)进行转换，c₀转换为d₀、c₁转换为d₁...，这里的转换可以是直接赋值，也可以是某种线性或非线性变换。

如果用聚类的方法进行分析，则n种颜色有n个聚类中心c_i＝(r_i,g_i,b_i)，i＝0、1、2、...、n-1，每个聚类中心c_i代表一种颜色，聚类算法比较多，常用的有K-均值聚类和模糊聚类。

1、K-均值聚类

K-均值聚类(K-Means clustering)是Mac Queen James B提出的一种非监督实时聚类算法，如图3所示。该算法属于基于距离的聚类算法，由于该算法的效率较高，所以在科学和工业领域中，对大规模数据进行聚类时被广泛应用，是一种极有影响力的技术。

K-均值聚类算法的基本思路是在最小化目标函数的基础上将数据划分为预定的类数K，其原理简单、适合对大量数据进行处理。K-均值聚类算法的运行过程为：先指定聚类数目K、K个初始聚类中心的值、收敛条件或最大迭代次数，然后根据指定的相似性度量准则(距离)，将数据集中的每个数据分配给“最近”或“最相似”的聚类中心，记录分配结果，形成K个不同的类，再分别以每个类中数据的平均矢量作为这一类新的聚类中心，将数据按照相似性度量准则进行重新分配，经过反复迭代直到满足收敛条件或达到最大迭代次数时聚类过程结束。

要把样本空间中的样本划分为K个类，每一类的中心为，用表示样本x_i与其对应的聚类中心c_j之间的距离，则样本空间内的所有数据点与其所在聚类中心的距离总和用目标函数J来表示，其数学表达式为：

每个类的聚类中心值为：

n_j表示同一类数据的个数。

目标函数J直接反映聚类效果的好坏，其值越小，则表示该聚类越紧凑、越独立。因此可以通过不断减小目标函数的值来改善与优化聚类方案，当J取极小值时的聚类，即为最优聚类方案。在该算法实现过程中需要记录分析过程。

2、模糊聚类

模糊C均值算法(Fuzzy C-Means)简称FCM。该方法由Dunn最先提出，然后由Bezdek发展和推广了FCM算法。FCM算法是目前最受欢迎的基于目标函数的模糊聚类方法，它的核心思想就是把数据集划分成多个类簇，同一个类簇中的数据对象彼此的相似性非常大，不同类簇中的数据对象相似性非常小。FCM是基于模糊集合理论的算法，它把聚类归结为一个带有某种约束的非线性规划问题，通过在迭代过程中不断地优化目标函数而获得数据集的模糊划分和聚类结果。FCM算法是最早的基于目标函数的聚类算法，也是基于目标函数聚类算法中理论研究得相对比较充分的算法，目前己经广泛应用于图像处理、计算机视觉、模式识别和数据挖掘等不同领域。

将样本空间X＝{x₀,x₁,…,x_i,…,x_n-1}的样本分成C个子集S₀，S₁,…,S_c-1，聚类中心为C＝{c₀,c₁,…,c_j,…,c_c-1}，用d_ij＝(x_i,c_j)表示样本x_i与其对应的中心c_j之间的距离，u_ij表示样本x_i对第j类S_j的隶属度，则FCM算法的目标函数J_FCM的数学表达为：

uⁱ _j满足约束条件：

u_ij≥0,0≤j≤c-1,0≤i≤n-1.

隶属度矩阵U＝{u_ij}为c×n矩阵。

d_ij为样本空间中的第i个样本和第j个聚类中心之间的距离，m∈[1,∞)为大于等于1的模糊指数，m的作用是调节隶属度矩阵U的模糊程度，m值越大，则隶属度矩阵U的模糊程度越高，经过实验分析发现m的最佳取值范围为[1.5，2.5]，一般情况下令m＝2。FCM聚类算法的聚类过程实质上是对目标函数J_FCM在迭代过程中求最小值的过程，数据对各聚类中心的隶属度u_ij是根据Lagrange乘数法计算的：

FCM聚类算法的流程如图4所示：

根据FCM算法的流程可以看出，FCM聚类算法实际上就是在迭代的过程中反复的优化聚类中心和隶属度矩阵的过程，因此这种方法也常被称为逐步聚类法或动态聚类法。FCM聚类算法不仅计算方法简单运算速度快，而且具有比较直观的几何含义，但是它只能用相应的聚类中心来表示整个类，因此对球状类型等非凸面形状的数据类簇比较适用，并且算法在一般情况下对噪声数据都比较敏感。经过不断论证，该算法的收敛性已经得以证明：FCM算法能从任意给定初始点开始沿一个迭代子序列收敛到其目标函数J_FCM的局部极小点或鞍点。在该算法实现过程中需要记录分析过程。

3、记录分析过程

与一般的分割算法不同，本算法在按照上述方法聚类时，记录下类间不同数据的映射，如Ci(Ri，Gi，Bi)--〉Di、Ci(Ri+1，Gi，Bi)--〉Di等等，由此可形成一个转换表，如表1所示，表1一般是一个不连续表，它是聚类结果的枚举表。

表1查找表结构

R	G	B	D
				…	…	…	…
Ri-1	Gi-1	Bi-1	Di
				Ri-1	Gi-1	Bi	Di
Ri-1	Gi	Bi	Di
				Ri+1	Gi+1	Bi+1	Di
Rj	Gj	Bj	Dj
				…	…	…	…

对于和图像A颜色相同、颜色个数相同的图像B，直接应用图像A的分割结果进行变换，转换方法有：

1、扩展转换

对于彩色图像B的任意像素c_k＝(r_k,g_k,b_k)(k＝0,1,2,3,...,M*N-1)，如果它和彩色图像A的分析结果c_l＝(r_l,g_l,b_l)(l＝0,1,2,...n-1)之间满足

则认为这两个像素相同，即颜色相同；相同的像素(颜色)用同一个数字d_i(i＝0、1、2、...、n-1)来表示，认为该算法为彩色图像灰度化算法。否则，则认为这两个像素不同，即颜色不同，颜色不同时需要分配新的值。式中K、G是某种变换，Δr_l表示r_l的偏移量，Δg_l表示g_l的偏移量，Δb_l表示b_l的偏移量，l＝0,1,2,...,n-1。由于显示格式的原因，通常n小于256，而颜色数远远大于n。

最典型的如：

则认为c_k＝(r_k,g_k,b_k)和c_l＝(r_l,g_l,b_l)颜色相同，相同的颜色可以用相同的值来表示。

2、扩展查找表转换

为了提高运算速度，可以应用构造扩展查找表的方法：首先根据颜色分析找到各类的颜色值与范围，根据颜色值和范围构造扩展查找表：d₀＝(r₀,g₀,b₀)、d₀＝(r₀,g₀,b₀±Δb)、d₀＝(r₀,g₀±Δg,b₀)、d₀＝(r₀±Δr,g₀,b₀)、d₀＝(r₀,g₀±Δg,b₀±Δb)、d₀＝(r₀±Δr,g₀±Δg,b₀)、d₀＝(r₀±Δr,g₀,b₀±Δb)、d₀＝(r₀±Δr,g₀±Δg,b₀±Δb)、...、d_i＝(r_i,g_i,b_i)、d_i＝(r_i,g_i,b_i±Δb)、d_i＝(r_i,g_i±Δg,b_i)、d_i＝(r_i±Δr,g_i,b_i)、d_i＝(r_i,g_i±Δg,b_i±Δb)、d_i＝(r_i±Δr,g_i±Δg,b_i)、d_i＝(r_i±Δr,g_i,b_i±Δb)、d_i＝(r_i±Δr,g_i±Δg,b_i±Δb)、...、d_n-1＝(r_n-1±Δr,g_n-1±Δg,b_n-1±Δb)，扩展查找表结构如表2所示。

表2扩展查找表结构

应用扩展查找表进行转换，首先需要构造颜色表，构造颜色表的方法有：

1)、插入中间结果项：在分析颜色的过程中，已经保存了以某个颜色为中心的周边颜色的全部数据，将该数据全部插入查找表中，并赋予这些数据与颜色中心相同的数据(如表1)；

2)插入扩展项：扩展项是某个颜色中心周围被认为是相同颜色的全部颜色，赋予扩展项与颜色中心相同的数据，即按照Δr、Δg、Δb进行扩展，扩展结果如表2所示。

如果彩色图像算法的鲁棒性比较好，对于同一幅彩色图像，用同一种分割算法，分割结果是相同的；对于形状和颜色相同的图像，其对应点的颜色值基本一致，由此可知，如果应用一幅图的颜色分割结果来分割另外一幅图，结果应该是相同的；这样，我们就可以应用上述结果，根据扩展查找表对彩色图像进行灰度转换。流程图如图6所示。

对于图像B中的任一像素P(r_i,g_i,b_i)，应用扩展查找表的过程为：

1、在扩展查找表中找到r_i行；

2、在扩展查找表中找到与r_i相同的g_i行；

3、在扩展查找表中找到与r_i、g_i相同的b_i行，该行对应的值即为转换结果灰度值；

4、在扩展查找表中如果不存在与r_i或g_i或b_i相同的行，修改扩展查找表，插入新的分类数据并赋予新的值；

5、重复1-4直至遍历完全部图像B的数据为止。

对于m个相同彩色图像：p₁、p₂、...、p_m-1，如果要检测他们是否相同，常规算法是用同一种算法处理这m个彩色图像，然后比较结果，这样的好处是算法固定，不足之处是处理的数据量大，处理时间长。

本发明的主导思想是先对其中的一幅彩色图像应用分析算法，找出图像中的全部颜色以及与每种颜色相近的颜色范围，然后给各种颜色分配一个数据，用一个数据表示一种颜色范围(考虑到分析算法和其他因素的影响所导致的颜色误差，用一个数来表示一个范围内的颜色，即一个数对应多个颜色值)；然后将这个分析结果应用与其它图像，首先在其它图像中遍历所有颜色，再将这些颜色对应转换为与前面相同的数据，从而实现对全部图像的转换处理；这样就避免了对所有图像的分析，将分析算法减少到1/m。

本发明解决了重复图像颜色转换中的重复运算问题，提高了转换速度，将图像数据缩减了2/3。

Claims (7)

1.一种彩色图像灰度化方法，其特征在于，包括以下步骤：

1)对彩色图像A进行颜色分析并记录分析过程，将图像A的颜色进行分类得到若干种颜色值；

2)将分类的颜色值扩展后转换为数据，用不同的数据代表不同的颜色范围；

3)针对与彩色图像A形状及颜色相同的彩色图像B，直接应用上述数据进行灰度转换得到对应的灰度图B。

2.根据权利要求1所述的一种彩色图像灰度化方法，其特征在于，步骤1)中对彩色图像A进行颜色分析并记录分析过程，将图像A的颜色进行分类的具体方法为：

1.1)设彩色图像A中任意像素点的颜色值为c(r,g,b)，其中r＝0,1,2,...,255、g＝0,1,2,...,255、b＝0,1,2,...,255；

1.2)对于两个彩色图像像素c_i＝(r_i,g_i,b_i)和c_j＝(r_j,g_j,b_j)，i,j＝0,1,2,...,M*N-1，如果满足：F(r_i,g_i,b_i,r_j,g_j,b_j)≤Δf(Δr,Δg,Δb)，则这两个像素相同，即颜色相同，否则，这两个像素不同，即颜色不同；其中M、N表示彩色图像A的列数与行数，F表示像素之间的分析算法，Δf为一种判据；

1.3)经过颜色分析后，将彩色图像A采用n种颜色来表示，分别为c₀＝(r₀,g₀,b₀)、c₁＝(r₁,g₁,b₁)、...、c_n-1＝(r_n-1,g_n-1,b_n-1)。

3.根据权利要求2所述的一种彩色图像灰度化方法，其特征在于，像素之间的分析算法为分割算法、聚类算法或变换算法；判据为欧氏距离、马氏距离或函数。

4.根据权利要求2所述的一种彩色图像灰度化方法，其特征在于，步骤2)具体为：对颜色值c(c₀,c₁,...,c_n-1)进行转换，c₀转换为d₀、c₁转换为d₁、...、c_n-1转换为d_n-1，所述转换为直接赋值，或者为线性或非线性变换。

5.根据权利要求2所述的一种彩色图像灰度化方法，其特征在于，步骤3)中直接对彩色图像B灰度化的方法为：

对于彩色图像B的任意像素c_k＝(r_k,g_k,b_k)(k＝0,1,2,3,...,M*N-1)，如果它和彩色图像A的分析结果c_l＝(r_l,g_l,b_l)(l＝0,1,2,...n-1)之间满足

$K(r_k,g_k,b_k)\⊆G(r_l,g_l,b_l,{\mathrm{\Δr}}_l,{\mathrm{\Δg}}_l,{\mathrm{\Δb}}_l)$

则认为这两个像素相同，即颜色相同；相同的颜色用同一个数字d_i(i＝0,1,2,...n-1)来表示，式中K、G分别为一种变换，Δr_l表示r_l的偏移量，Δg_l表示g_l的偏移量，Δb_l表示b_l的偏移量，l＝0,1,2,...,n-1。

6.根据权利要求5所述的一种彩色图像灰度化方法，其特征在于，彩色图像B的任意像素和彩色图像A的分析结果之间满足的具体条件为：

$0.3r_k+0.59g_k+0.11b_k\⊆0.3(r_l\±{\mathrm{\Δr}}_l)+0.59(g_l\±{\mathrm{\Δg}}_l)+0.11(b_l\±{\mathrm{\Δb}}_l).$

7.根据权利要求2所述的一种彩色图像灰度化方法，其特征在于，步骤3)中应用彩色图像A的分类结果，根据扩展查找表对彩色图像B进行灰度转换，具体步骤为：

1)构造扩展查找表：将分析得到的n种颜色扩展并用n个数据表示，分别为：d₀＝(r₀,g₀,b₀)、d₀＝(r₀,g₀,b₀±Δb)、d₀＝(r₀,g₀±Δg,b₀)、d₀＝(r₀±Δr,g₀,b₀)、d₀＝(r₀,g₀±Δg,b₀±Δb)、d₀＝(r₀±Δr,g₀±Δg,b₀)、d₀＝(r₀±Δr,g₀,b₀±Δb)、d₀＝(r₀±Δr,g₀±Δg,b₀±Δb)、...、d_i＝(r_i,g_i,b_i)、d_i＝(r_i,g_i,b_i±Δb)、d_i＝(r_i,g_i±Δg,b_i)、d_i＝(r_i±Δr,g_i,b_i)、d_i＝(r_i,g_i±Δg,b_i±Δb)、d_i＝(r_i±Δr,g_i±Δg,b_i)、d_i＝(r_i±Δr,g_i,b_i±Δb)、d_i＝(r_i±Δr,g_i±Δg,b_i±Δb)、...、d_n-1＝(r_n-1±Δr,g_n-1±Δg,b_n-1±Δb)；

2)应用这n个数据来表示彩色图像B，实现对彩色图像B的灰度化转换。