一、RGB转灰度图
重要性：彩色图转灰度图在图像处理中应用非常非常广泛，而且很多算法只对灰度图有效，所以彩色图转灰度是十分关键和重要的。
RGB值和灰度的转换，实际上是人眼对于彩色的感觉到亮度感觉的转换，这是一个心理学问题，有一个著名的公式：
Gray = R * 0.299 + G * 0.587 + B * 0.114
我们可以通过这个式子将RGB的数值转化为灰度的数值，但是直接用这个式子的话，计算机当中用浮点数储存，精度太高（小数点后三位了），运算起来会比较慢。另一方面，乘除法也是计算量比较大的运算。
因此，我们可以通过以下方法优化运算速度：
1、整数算法（改善浮点数）
注意到系数都是3位精度，我们可以将它们缩放1000倍，这样系数就都是整数了：
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。
2、整数移位算法（改善乘除法）
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 ≈ 195950.587 * 65536 + (0.264) = 38469.632 + 0.264 = 38469.896 ≈ 384690.114 * 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) >> 2Gray = (R*2 + G*5 + B*1) >> 3Gray = (R*4 + G*10 + B*2) >> 4Gray = (R*9 + G*19 + B*4) >> 5Gray = (R*19 + G*37 + B*8) >> 6Gray = (R*38 + G*75 + B*15) >> 7Gray = (R*76 + G*150 + B*30) >> 8Gray = (R*153 + G*300 + B*59) >> 9Gray = (R*306 + G*601 + B*117) >> 10Gray = (R*612 + G*1202 + B*234) >> 11Gray = (R*1224 + G*2405 + B*467) >> 12Gray = (R*2449 + G*4809 + B*934) >> 13Gray = (R*4898 + G*9618 + B*1868) >> 14Gray = (R*9797 + G*19235 + B*3736) >> 15Gray = (R*19595 + G*38469 + B*7472) >> 16Gray = (R*39190 + G*76939 + B*14943) >> 17Gray = (R*78381 + G*153878 + B*29885) >> 18Gray = (R*156762 + G*307757 + B*59769) >> 19Gray = (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
（注：部分内容引用这篇博客）
3、代码实现
用的 cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)函数
import cv2import numpy as npimage = cv2.imread('birthday.jpg')dst = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)cv2.namedWindow('dst',cv2.WINDOW_NORMAL)#因为图像太大加的，让它能在屏幕内显示全cv2.imshow("dst",dst)cv2.waitKey(0)
效果如下
这张图很好看，是我室友拿ipad pro为母校的云校庆画的生日祝福。
二、RGB转HSV
1.转换颜色空间
在 OpenCV 中有 超过150 种进行颜色空间转换的方法。但是你以后就会发现我们经常用到的也就两种：BGR↔Gray 和 BGR↔HSV。
我们用到的函数是cv2.cvtColor(input_imageflag)，其中flag就是转换类型。
对于BGR↔Gray的转换，我们使用的flag就是
cv2.COLOR_BGR2GRAY
同样对于BGR↔HSV的转换我们用的flag就是
cv2.COLOR_BGR2HSV
2.学习了一个好玩的物体跟踪
现在我们知怎样将一幅图像从 BGR 换到 HSV 了，我们可以利用 一点来提取带有某个特定色的物体。在 HSV 颜色空间中要比在 BGR 空间中更容易表示一个特定颜色。在我们的程序中，我们提取的是一个蓝色的物体。下就是就是我们做的几步：
• 从视频中获取每一帧图像
• 将图像换到 HSV 空间
• 设置 HSV 阀值到蓝色范围。
• 获取蓝色物体，当然我们可以做其他任何我们想做的事，比如：在蓝色物体周围画一个圈。
import cv2import numpy as npcap = cv2.VideoCapture(0)while(1):#获取每一帧ret,frame = cap.read()#转换到HSVhsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)#设定蓝色的阀值lower_blue = np.array([110,50,50])upper_blue = np.array([130,255,255])#根据阀值构建掩模mask = cv2.inRange(hsv,lower_blue,upper_blue)#对原图和掩模进行位运算res = cv2.bitwise_and(frame,frame,mask=mask)#显示图像cv2.imshow('frame',frame)cv2.imshow('mask',mask)cv2.imshow('res',res)k = cv2.waitKey(5)&0xFFif k == 27:break#关闭窗口cv2.destroyAllWindows()
推荐一下这个链接 这一部分出自于它，效果如下：
这个是个动态的颜色跟踪，根据摄像头拍摄到的内容跟踪蓝色，提取出的蓝色的部分效果还不错。
