对于图片识别灰度化的原因这里根据自己的理解和网上看到的一些自己觉得合理的解释这里做个大概总结，如有错误欢迎大神们打脸指正

最直接的原因：减少计算量

包含色彩的图片，特征量，计算量会成指数倍数增加
比如一个点，灰度的话，就256个维度而已，但是如果算上RGB色彩的话，那就是1600万以上维度。然后再相互组合，或者说找梯度，可以想象看计算量有多大

但是好在就算是全色盲也可以分辨物体，对于一般的物体识别灰度图就够了，于是就先降维（灰度）来计算

不过一直觉得不是每个应用都需要把彩色变成灰度，毕竟颜色是一个比较有用的特征

首先 灰度化之后失去了什么，又得到了什么

  • 灰度化之后颜色信息丢失，所以一般基于color-based算法就不能灰度化
  • 但是很多简单的识别算法对于颜色的依赖性不强，hand-craft特征更多关注边缘梯度信息
    灰度化之后矩阵维数下降，运算速度大幅度提高，并且梯度信息仍然保留
  • 工程中很多应用加上color信息之后鲁棒性会下降

怎么选择就是在performance和efficiency之间做一个权衡罢了

是否选择灰度图主要需要权衡以下几点：

1. 梯度

我们识别物体，最关键的因素是梯度（现在很多的特征提取HOG，LBP，SIFT等等本质都是梯度的统计信息），梯度意味着边缘，这是最本质的部分，而计算梯度，最常用就是灰度图。颜色本身，非常容易受到光照等因素的影响，同类的物体颜色有很多变化，所以颜色本身难以提供关键信息

2.计算量

灰度化其实就是将图片降维，这样就能大大降低计算量

对于设备的计算能力和识别速度的需求是你取舍的一个关键点

有时候灰度图还是过大，再次降维使用二值化图像

3.颜色信息

现在大部分的彩色图像都是采用RGB颜色模式，处理图像的时候，要分别知对RGB三种分量进行处理，实际上RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配

对于一些场景，颜色所能提供的信息并不多
比如大多数的医学图像RGB提供的信息量很少（几乎没有），所以可以直接灰度图来进行后续计算

但是也并不绝对，颜色有时候提供的信息也很重要
比如分辨红绿灯的话，是绝对不能直接只用灰度图的