这篇文章将为大家详细讲解有关如何使用python opencv实现灰度图和彩色图的互相转换，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
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：
import cv2cap = 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
from PIL import Imageimport ospath = r'图片存储的路径'newpath = r'转换后存储图片的路径'def RGBtoGray(path): files = os.listdir(path) for file in files: 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 = newpath file_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)关于“如何使用python opencv实现灰度图和彩色图的互相转换”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
