做深度学习项目图像处理的时候常常涉及到灰度图处理，这里对自己处理灰度图的方式做一个记录，后续有更新的话会在此更新

一，多维数组可视化

将多维数组可视化为灰度图

img_gray = Image.fromarray(img, mode='L')   # 实现array到image的转换,model 常用的模式有‘1’，‘L’，‘RGB’, 1是二值图像，L是灰度图像，RGB是彩色图像
img_gray.show()  # 显示灰度图

二，对比度拉伸

拉伸对比图突出想可视化的部分

# 对比度拉伸
Imax = np.max(img)   # img是多维数组，输入灰度图的时候注意先np.array转一下
Imin = np.min(img)
MAX = 1200
MIN = 0
img_cs = (img - Imin) / (Imax - Imin) * (MAX - MIN) + MIN  # img_cs是多维数组
cv2.imshow('img_cs', img_cs.astype("uint8"))  # 可视化
cv2.waitKey(0)
cv2.destroyAllWindows()

 三，灰度拉伸

拉伸灰度加强对比

def gray_scale(img_gray):
    img_gray = np.array(img_gray)  # 转多维数组
    rows, cols = img_gray.shape
    flat_gray = img_gray.reshape((cols * rows,)).tolist()
    min1 = min(flat_gray)
    max1 = max(flat_gray) 
    print('min = %d, max = %d' % (min1, max1))
    output = np.uint8(255 / (max1 - min1) * (img_gray - min1) + 0.5)
    return output
img_gray = Image.fromarray(img, mode='L')   # 实现array到image的转换,model 常用的模式有‘1’，‘L’，‘RGB’, 1是二值图像，L是灰度图像，RGB是彩色图像
grayScale = gray_scale(img_gray)  # 灰度拉伸
cv2.imshow('grayScale', grayScale)  # 显示拉伸后的灰度图
cv2.waitKey(0)
cv2.destroyAllWindows()