【引自杨敬卓的博客】前言
黑白照片的时代虽然已经过去，但现在看到以前的照片，是不是有一种回到过去的感觉，很cool有木有~
看完这篇文章，就可以把彩色照片变成各种各样的黑白的照片啦。
本文完整的在线例子图片灰度算法例子，例子的图片有点多，可能有些慢。
例子的源码位于blog/demo里
三原色与灰度
原色是指不能透过其他颜色的混合调配而得出的“基本色”。一般来说叠加型的三原色是红色、绿色、蓝色，以不同比例将原色混合，可以产生出其他的新颜色。这套原色系统常被称为“RGB色彩空间”，亦即由红(R)绿(G)蓝(B)所组合出的色彩系统。
当这三种原色以等比例叠加在一起时，会变成灰色;若将此三原色的强度均调至***并且等量重叠时，则会呈现白色。灰度就是没有色彩，RGB色彩分量全部相等。
获取图片的像素数据
算法不区分语言，这里以前端举例。可以使用canvas取得图片某个区域的像素数据
- //伪代码
- var img = new Image();
- img.src = 'xxx.jpg';
- var myCanvas = document.querySelector(canvasId);
- var canvasCtx = myCanvas.getContext("2d");
- canvasCtx.drawImage(img, 0, 0, img.width, img.height);
- //图片的像素数据
- var data = canvasCtx.getImageData(0, 0, img.width, img.height);
使用getImageData()返回一个ImageData对象，此对象有个data属性就是我们要的数据了，数据是以Uint8ClampedArray 描述的一个一维数组，包含以 RGBA 顺序的数据，数据使用 0 至 255(包含)的整数表示。 所以，一个像素会有4个数据(RGBA),RGB是红绿蓝，A指的是透明度。
举个例子：本文720*480的水果图片，一共有720 * 480 = 259200像素，每个像素又有4个数据，所以数据数组的总长度为259200 * 4 = 1036800。
可以看到图片的数据很长，如果一次性处理很多图片的时候，计算量相当可观，所以例子中会使用worker，把繁重的计算任务交给后台线程。
算法的基本步骤
- 取得每一个像素的red，green，blue值。
- 使用灰度算法，算出一个灰度值。
- 用这个灰度值代替像素原始的red，green，blue值。
比如我们的灰度算法是：
- Gray = (Red + Green + Blue) / 3
计算过程：
- //伪代码
- for(var Pixel in Image){
- var Red = Image[Pixel].Red
- var Green = Image[Pixel].Green
- var Blue = Image[Pixel].Blue
- var Gray = (Red + Green + Blue) / 3
- Image[Pixel].Red = Gray
- Image[Pixel].Green = Gray
- Image[Pixel].Blue = Gray
- }
很简单对吧。
很多好吃的鲜艳水果，但是它们马上要变灰了!!
算法1 - 平均法
使用算法1：
这是最常见的灰度算法，简单暴力，把它放到***位。公式是：
- Gray = (Red + Green + Blue) / 3
这个算法可以生成不错灰度值，因为公式简单，所以易于维护和优化。然而它也不是没有缺点，因为简单快速，从人眼的感知角度看，图片的灰度阴影和亮度方面做的还不够好。所以，我们需要更复杂的运算。
算法2 - 基于人眼感知
使用算法2：
算法1与算法2生成的图片似乎没太大差别，所以增加一个例子，将图片上半部分用算法1，下半部分用算法2。
上半部分是算法1，下半部分是算法2：
仔细看的话，中间有一根黑线。上半部分(算法1)比下半部分(算法2)更苍白一些。如果还是看不出来，注意最右边的柠檬，算法1的柠檬反光更强烈，算法2的柠檬更柔和。
第二种算法考虑到了人眼对不同光感知程度不同。人的眼睛内有几种辨别颜色的锥形感光细胞，分别对黄绿色、绿色和蓝紫色的光最敏感。虽然眼球中的椎状细胞并非对红、绿、蓝三色的感受度***，但是由肉眼的椎状细胞所能感受的光的带宽很大，红、绿、蓝也能够独立刺激这三种颜色的受光体。
人类对红绿蓝三色的感知程度依次是： 绿>红>蓝，所以平均算法从这个角度看是不科学的。应该按照人类对光的感知程度为每个颜色设定一个权重，它们的之间的地位不应该是平等的。
一个图像处理通用的公式是：
- Gray = (Red * 0.3 + Green * 0.59 + Blue * 0.11)
可以看到，每个颜色的系数相差很大。
现在对图像灰度处理的***公式还存在争议，有一些类似的公式：
- Gray = (Red * 0.2126 + Green * 0.7152 + Blue * 0.0722)
or
- Gray = (Red * 0.299 + Green * 0.587 + Blue * 0.114)
它们只是在系数上存在一些偏差，大体的比值差不多。
算法3 - 去饱和
使用算法3：
在说这个算法之前，先说说RGB，大多数程序员都使用RGB模型，每一种颜色都可以由红绿蓝组成，RGB对计算机来说可以很好的描述颜色，但对于人类而言就很难理解了。如果升国旗的时候说，“五星红旗多么RGB(255, 0, 42)”，可能会被暴打一顿。但我说鲜红的五星红旗，老师可能会点头称赞。
所以为了更通俗易懂，有时我们选择HLS模型描述颜色，这三个字母分别表示Hue(色调)、Saturation(饱和度)、Lightness(亮度)。色调，取值为：0 - 360，0(或360)表示红色，120表示绿色，240表示蓝色，也可取其他数值来指定颜色。饱和度，取值为：0.0% - 100.0%，它通常指颜色的鲜艳程度。亮度，取值为：0.0% - 100.0%，黑色的亮度为0。
去饱和的过程就是把RGB转换为HLS，然后将饱和度设为0。因此，我们需要取一种颜色，转换它为最不饱和的值。这个数学公式比本文介绍的更复杂，这里提供一个简单的公式，一个像素可以被去饱和通过计算RGB中的***值和最小值的中间值：
- Gray = ( Math.max(Red, Green, Blue) + Math.min(Red, Green, Blue) ) / 2
去饱和后，图片立体感减弱，但是更柔和。对比算法2，可以很明显的看出差异，从效果上看，可能大多数人都喜欢算法2，算法3是目前为止，处理的图片立体感最弱，最黑暗的。
算法4 - 分解
取***值
取最小值
分解算法可以认为是去饱和更简单一种的方式。分解是基于每一个像素的，只取RGB的***值或者最小值。
***值分解：
- Gray = Math.max(Red, Green, Blue)
最小值分解：
- Gray = Math.min(Red, Green, Blue)
正如上面展现的，***值分解提供了更明亮的图，而最小值分解提供了更黑暗的图。
算法5 - 单一通道
取红色通道
取绿色通道
取蓝色通道
图片变灰更快捷的方法，这个方法不用做任何计算，取一个通道的值直接作为灰度值。
- Gray = Red
or
- Gray = Green
or
- Gray = Blue
不管相不相信，大多数数码相机都用这个算法生成灰度图片。很难预测这种转换的结果，所以这种算法多用于艺术效果。
算法6 - 自定义灰度阴影
NumberOfShades = 4
这是到目前为止最有趣的算法，允许用户提供一个灰色阴影值，值的范围在2-256。2的结果是一张全白的图片，256的结果和算法1一样。
NumberOfShades = 16
该算法通过选择阴影值来工作，它的公式有点复杂
- ConversionFactor = 255 / (NumberOfShades - 1)
- AverageValue = (Red + Green + Blue) / 3
- Gray = Math.round((AverageValue / ConversionFactor) + 0.5) * ConversionFactor
- NumberOfShades 的范围在2-256。
- 从技术上说，任何灰度算法都可以计算AverageValue，它仅仅提供一个初始灰度的估计值。
- “+ 0.5” 是一个可选参数，用于模拟四舍五入。
小节
这是一篇很有趣的文章，不仅仅是介绍灰度算法，对了解图片的处理过程也很有帮助。
