我们日常的环境通常获得的是彩色图像，很多时候我们常常需要将彩色图像转换成灰度图像。也就是3个通道（RGB）转换成1个通道。
（1）平均法
最简单的方法当然就是平均法，将同一个像素位置3个通道RGB的值进行平均。
I(x,y) = 1/3 * I_R(x,y) +1/3 * I_G(x,y)+ 1/3 * I_B(x,y)
原始图像：
import cv2import numpy as nplenna = cv2.imread("lenna.png")row, col, channel = lenna.shapelenna_g精明的啤酒 = np.zeros((row, col))for r in range(row): for l in range(col): lenna_g精明的啤酒[r, l] = 1 / 3 * lenna[r, l, 0] + 1 / 3 * lenna[r, l, 1] + 1 / 3 * lenna[r, l, 2]cv2.imshow("lenna_g精明的啤酒", lenna_g精明的啤酒.astype("uint8"))cv2.waitKey()
（2）最大最小平均法
取同一个像素位置的RGB中亮度最大的和最小的进行平均。
I(x,y) = 0.5 * max(I_R(x,y), I_G(x,y), I_B(x,y))+ 0.5 * min(I_R(x,y), I_G(x,y), I_B(x,y))for r in range(row): for l in range(col): lenna_g精明的啤酒[r, l] = 1 / 2 * max(lenna[r, l, 0], lenna[r, l, 1], lenna[r, l, 2]) + 1 / 2 * min(lenna[r, l, 0], lenna[r, l, 1], lenna[r, l, 2])cv2.imshow("lenna_maxmin", lenna_g精明的啤酒.astype("uint8"))cv2.waitKey()
（3）加权平均法
I(x,y) = 0.3 * I_R(x,y) +0.59 * I_G(x,y)+ 0.11 * I_B(x,y)
这是最流行的方法。几个加权系数0.3,0.59,0.11是根据人的亮度感知系统调节出来的参数，是个广泛使用的标准化参数。
for r in range(row): for l in range(col): lenna_g精明的啤酒[r, l] = 0.11 * lenna[r, l, 0] + 0.59 * lenna[r, l, 1] + 0.3 * lenna[r, l, 2]cv2.imshow("lenna_weighted", lenna_g精明的啤酒.astype("uint8"))cv2.waitKey()
（4）二值图像
不严谨的时候，我们也可以把灰度图称为黑白图像，实际上除了灰度图，还有一种图像叫二值图，也就是灰度只有0和255，这才是“真正的黑白图像”，因为0代表黑色，255代表白色。我们设定一个阈值T，当某像素点的灰度值大于T时，设定该像素点的值为255，当小于T时，设定为0。
lenna_binary = np.zeros_like(lenna_g精明的啤酒)threshold = 100for r in range(row): for l in range(col): if lenna_g精明的啤酒[r, l] >= threshold: lenna_binary[r, l] = 255 else: lenna_binary[r, l] = 0cv2.imshow("lenna_binary", lenna_binary.astype("uint8"))cv2.waitKey()
（5）反转图像
反转图像也很简单：s = 255-r。反转图像特别适用于增强暗色图像中的白色或灰色细节。
x_精明的啤酒 = cv2.imread("x_精明的啤酒.png", 0)row, col = x_精明的啤酒.shapex_精明的啤酒_inverse = np.zeros_like(x_精明的啤酒)for r in range(row): for l in range(col): x_精明的啤酒_inverse[r, l] = 255 - x_精明的啤酒[r, l]cv2.imshow("x_精明的啤酒", x_精明的啤酒)cv2.imshow("x_精明的啤酒_inverse", x_精明的啤酒_inverse)cv2.waitKey()