Android的植物叶片识别图像匹配搜索算法的研究与实现(3)
（一）分量法
将彩色图像中的三个分量的灰度值作为三个灰度图像的灰度值，根据需要选取其中的一幅灰度图像作为灰度化的图像。
式（2.1）
其中 表示转化后图像在 的灰度值。
（二）最大值法
最大法就是将三个分量中最大的灰度值作为转化后的图像的灰度值。
式（2.2）
（三）平均值法s
平均值法就是取三个分量的平均值作为转化后的图像的灰度值。
式（2.3）
（四）加权平均值法
加权平均法就是根据每个分量的重要性为每个分量分配一个权重后求加权平均值值作为转化后的图像的灰度值。由于人眼对绿色的光最敏感，对蓝色的光敏感最低，因此给R、G、B分配的权重分别为0.299，0.587，0.114。 式（2.4）
以上四种方法各有优劣，其中第四种加权平均法用的较为广泛，本文也是采用的加权平均的灰度化方法。
2.2.2 图像的去噪处理
图像去噪是为了降低图像采集过程和图像传输过程中成像设备与外界噪声干扰的影响。减少数字图像中的噪音影响的过程就是图像去噪。图像去噪方法主要有：均值滤波、中值滤波、高斯滤波、形态学滤波等。
在图像去噪过程中经常会用到矩阵的卷积预算： 。 表示 与 的卷积，其结果为 。
式（2.5）
其中， ， 分别为卷积窗口宽、高的一半。
（一）均值滤波
均值滤波：对于一个滑动窗口内的各个像素的灰度值求平均值，用该平均值代替窗口中心点像素的原灰度级。也就是对于原图像中的每一个像素点 ，以其为中心选择一个模板窗口用该窗口所有像素的灰度级与模板做卷积运算的结果作为转化后的 处的灰度值，它是一种线性滤波。
在均值滤波中，滑动窗口的大小和形状是在具体实现时一个重要的参考因素。主要有 、 的正方形滑动窗口，卷积核如下：
， ，
， 式（2.2.2.1）
均值滤波的缺点：均值滤波在去除噪声的同时也破坏了图像的部分细节。
（二）中值滤波
中值滤波把像素点 某一邻域内的所有灰度值的中值作为转化后 处的灰度值，因此中值滤波为非线性滤波。中值滤波也要考虑邻域的大小和形状，大需要对邻域内的所有灰度值进行排序，对排序后数列找到中间值，这是一个复杂度较大的运算。但是中值滤波不会模糊化边缘。由于图像的灰度值是在0-255之间，因此可以通过直方图统计来代替排序操作，这样可以提升中值滤波的执行效率。
（三）高斯滤波
高斯滤波是对均值滤波的一种改进，因为均值滤波没有考虑模板窗口中距中心点的距离不同，对中心点的影响也不同。高斯滤波就是根据远近利用高斯函数分配不同的权重，因此高斯滤波也是非线性滤波。
一文高斯函数：
二文高斯函数：
其中 为正态分布的标准差，卷积模板中的值可以由对应的高斯函数求出。
（四）形态学滤波-开运算和闭运算
形态学滤波主要用于二值图像，它包括腐蚀和膨胀，又可以组合为开运算和闭运算。开运算是先做腐蚀运算再做膨胀运算，这样开运算主要用来去除孤立的小点；闭运算是先膨胀后腐蚀，这样闭运算可以填充内部较小的孔洞。