RGB转灰度的几种算法

这里我用的摄像头是OV2640，这款摄像头的像素是200万。通过对摄像头拍摄图像的进行图像的转化，先把图像的格式转化为RGB565,然后在进行灰度的转化，最后进行二值化处理，设定阈值，进行二值化的处理，通过设置二值化的位数可以提高二值化的精度，使二值化的效果更加清晰，我用的OV2640可以对焦距进行调节，这样的话，可以使拍摄的图像的效果更加完善。大家可以根据自己的摄像头进行设置。我看了飞思卡尔的K60带的摄像头山外鹰眼OV7725，他带的摄像头可以通过硬件进行二值化（硬性二值化）的处理，效果非常好，也可以说效果比我们用软件实现的效果不知道要好多少；还有就是现在比较火的一款图像设别的开源设备openmv使用python写的图形处理，openmv在颜色识别、二维码识别、面部识别、图像识别和特征点识别上功能非常强大，感兴趣的可以自己去尝试玩一下。

方法一：
    对于彩色转灰度，有一个很著名的心理学公式：

Gray = R*0.299 + G*0.587 + B*0.114

方法二：

而实际应用时，希望避免低速的浮点运算，所以需要整数算法。
     注意到系数都是3位精度的没有，我们可以将它们缩放1000倍来实现整数运算算法：

Gray = (R*299 + G*587 + B*114 + 500) / 1000

RGB一般是8位精度，现在缩放1000倍，所以上面的运算是32位整型的运算。注意后面那个除法是整数 除法，所以需要加上500来实现四舍五入。
      就是由于该算法需要32位运算，所以该公式的另一个变种很流行：

Gray = (R*30 + G*59 + B*11 + 50) / 100

方法三：

上面的整数算法已经很快了，但是有一点仍制约速度，就是最后的那个除法。移位比除法快多了，所以可以将系数缩放成2的整数幂。
习惯上使用16位精度，2的16次幂是65536，所以这样计算系数：

0.299 * 65536 = 19595.264 ≈ 19595
                          0.587 * 65536 + (0.264) = 38469.632 + 0.264 = 38469.896 ≈ 38469
                          0.114 * 65536 + (0.896) =   7471.104 + 0.896 = 7472

可能很多人看见了，我所使用的舍入方式不是四舍五入。四舍五入会有较大的误差，应该将以前的计算结果的误差一起计算进去，舍入方式是去尾法：

写成表达式是：

Gray = (R*19595 + G*38469 + B*7472) >> 16

2至20位精度的系数：

Gray = (R*1 + G*2 + B*1) >> 2
                          Gray = (R*2 + G*5 + B*1) >> 3
                          Gray = (R*4 + G*10 + B*2) >> 4
                          Gray = (R*9 + G*19 + B*4) >> 5
                          Gray = (R*19 + G*37 + B*8) >> 6
                          Gray = (R*38 + G*75 + B*15) >> 7
                          Gray = (R*76 + G*150 + B*30) >> 8
                          Gray = (R*153 + G*300 + B*59) >> 9
                          Gray = (R*306 + G*601 + B*117) >> 10
                          Gray = (R*612 + G*1202 + B*234) >> 11
                          Gray = (R*1224 + G*2405 + B*467) >> 12
                          Gray = (R*2449 + G*4809 + B*934) >> 13
                          Gray = (R*4898 + G*9618 + B*1868) >> 14
                          Gray = (R*9797 + G*19235 + B*3736) >> 15
                          Gray = (R*19595 + G*38469 + B*7472) >> 16
                          Gray = (R*39190 + G*76939 + B*14943) >> 17
                          Gray = (R*78381 + G*153878 + B*29885) >> 18
                          Gray = (R*156762 + G*307757 + B*59769) >> 19
                          Gray = (R*313524 + G*615514 + B*119538) >> 20

仔细观察上面的表格，这些精度实际上是一样的：3与4、7与8、10与11、13与14、19与20
所以16位运算下最好的计算公式是使用7位精度，比先前那个系数缩放100倍的精度高，而且速度快：

Gray = (R*38 + G*75 + B*15) >> 7

其实最有意思的还是那个2位精度的，完全可以移位优化：

Gray = (R + (WORD)G<<1 + B) >> 2

方法四：

    另一种是 Adobe Photoshop 里的公式 
     Adobe RGB (1998) [gamma=2.20] 
     Gray = (R^2.2 * 0.2973 + G^2.2 * 0.6274 + B^2.2 * 0.0753)^(1/2.2)

该方法运行速度稍慢，但是效果很好。

方法五：

     还有就是平均值方法 

      GRAY = (RED+BLUE+GREEN)/3

    （GRAY,GRAY,GRAY ） 替代 （RED,GREEN,BLUE）

     但是这样做的精度比较低，图像转化为灰度效果不是太好。

综合上面的算法对我个人而言，我更喜欢用方法三的转化方法，转化的效果跟转化的精度都可以。

下面是我利用OV2640摄像头与灰度公式Gray = (R*19595 + G*38469 + B*7472) >> 16进行拍摄的图像，上面是灰度图像，下面是二值化图像，因为边沿所以导致在图像周围很多噪点。

下面的图像阈值我设置为90，因为这是我晚上做的实验，晚上工作室光照强度不好，调大阈值可以得到更好的二值化图像。旁边的黑点同样是边缘造成的噪点，只要进行个过滤噪点操作就可以了。

整体上我自己写了一部分，从网上借鉴某个大牛写的一部分总结。谢谢大牛把自己的经验分享出来，促进大家的学习。