如何用Python检测近乎灰度图像？方法有效性与阈值探讨

我经常需要把近乎灰度的彩色扫描件转为灰度图，受Stack Overflow相关内容启发，写了一个函数来衡量彩色图像和灰度图的“距离”，代码如下：

import numpy as np
from PIL import Image, ImageChops, ImageOps, ImageStat

def distance_from_grey(img): # img must be a Pillow Image object in RGB mode
    img_diff=ImageChops.difference(img, ImageOps.grayscale(img).convert('RGB'))
    return np.array(img_diff.getdata()).mean()

img = Image.open('test.jpg')
print(distance_from_grey(img))

这个数值是所有像素RGB值与其对应灰度值的平均差值，完美灰度图的该值为0。现在有两个问题请教图像领域专家：

1. 这个方法是否有效？有没有更优的方案？
2. 当这个距离值达到多少时，可以无需人工核验直接安全转为灰度图？

问题1：方法有效性与优化方案 #

原方法的有效性 #

你的方法是有效的，核心逻辑通过计算原图与灰度转换图的像素差值均值量化“灰度程度”，思路直观且易于实现，但存在可优化的点：

• 未考虑人眼色彩敏感度：直接取RGB三通道差值均值，忽略了人眼对绿色最敏感、红色次之、蓝色最弱的特性，结果与视觉感知存在偏差。
• 易受噪声干扰：扫描件的微小色偏噪声会拉高差值均值，可能导致误判。

更优方案 #

• 加权差值计算：参考人眼视觉权重（ITU-R BT.601标准）计算差值，贴合人眼实际感知。示例代码调整：

  def weighted_distance_from_grey(img):
      img_np = np.array(img)
      # 按BT.601权重计算灰度值
      gray = 0.299 * img_np[...,0] + 0.587 * img_np[...,1] + 0.114 * img_np[...,2]
      # 加权计算通道差值的均值
      diff = 0.299 * np.abs(img_np[...,0] - gray) + 0.587 * np.abs(img_np[...,1] - gray) + 0.114 * np.abs(img_np[...,2] - gray)
      return diff.mean()
  

• 补充统计维度：除均值外，计算差值的标准差。若均值小且标准差也小，说明图像整体接近灰度；若均值小但标准差大，可能存在局部彩色污点，需进一步判断。
• 分通道校验：分别计算RGB三通道与灰度图对应通道的差值均值，排查单一通道的异常偏移（如扫描时的红色偏色）。

问题2：无需人工核验的阈值设定 #

阈值没有绝对统一标准，需结合你的扫描场景调整，参考方向如下：

• 基础阈值范围：原方法的均值阈值可设为2-5，加权差值的阈值可设为1-3，此时图像视觉上已非常接近灰度，大部分场景可直接转换。
• 场景适配调整：
  • 文字类文档：阈值可放宽至5-8，微小色偏不影响可读性；
  • 精细灰度图像（老照片、工程图纸）：阈值严格控制在2以内，避免丢失细微灰度层次。
• 自定义阈值校准：选取一批已知可安全转灰度的扫描件，计算差值均值取95%分位数作为下限；再选一批含明显彩色内容的扫描件，取差值均值的5%分位数作为上限，综合确定适配自身场景的阈值。

内容的提问来源于stack exchange，提问作者mmj