彩色图像灰度化是图像处理技术中非常重要的一项技术。灰度图一方面在现实生活中的报刊、书籍和试卷等印刷行业以其低廉的成本占据着大部分市场,另一方面在电影摄影等艺术方面也因独有的表现能力而有着不可或缺的地位。更为重要的是彩色图像灰度化是诸如边缘检测,人脸识别等等高级图像处理技术往往会使用到灰度化方法作为预处理方法。传统的灰度化方法非常简单,仅仅通过提取彩色图像中的亮度通道或者RGB通道的线性加权和得到最终的亮度。然而这种方法是一种固定的映射方式,对于任意的彩色图同样的颜色会转换为相同的灰度值,在相对于256个灰度值的灰度空间拥有巨大数量的彩色值的彩色空间中必然会出现大量灰度值相同的彩色值。因此传统的灰度化方法虽然速度最快,但是质量相对也是最低的。近些年比较新的灰度化逐渐从在传统灰度化方法基础上增加细节的局部化方法逐渐发展到保证全图中相同颜色转换到相同灰度值的全局化方法。但是这些方法都存在不同的缺点,局部化方法通过原图的高通部分增强灰度图的细节,但是可能会使得灰度图出现明显的不一致性缺陷,而全局方法虽然通过全局映射函数保证相同的颜色会映射到相同的灰度值,但是现有的全局化方法在优化的过程也会出现细节丢失的问题。本文提出的灰度化方法主要分为两个部分,带参数的映射函数以及保持原图与灰度图对比度一致性的优化目标函数。其中,带参数的映射函数分为两个部分,一个是主要亮度部分,通过每个像素的颜色信息计算得出,另一个部分是两个色度通道上的邻域色差矩阵,该矩阵包含了像素周围的色度对待灰度化像素的影响。因此,相同颜色像素可能由于周围像素的色度信息的不同而导致最终的灰度值不同,这不仅仅符合人类视觉系统的特点,也使得我们的映射函数拥有比全局化方法更为灵活的映射方式,这样的映射函数也意味着我们的方法在一开始就有与全局化方法不同的解空间,为后面得到最佳的灰度图奠定了基础。在通过提出的映射函数,可以得到一系列候选灰度图,再通过区域显著度模型进行评估得到灰度图与原彩色图之间的视觉上的一致性。本文使用的视觉对比度一致性模型基于人类视觉系统倾向于将空间上相近颜色相似的像素看作一个整体的特点,先对彩色图像和灰度图像进行分块然后对每个块计算显著度并比较原彩色图和灰度图之间的显著度一致性。以此建立目标函数,并求解出最优参数然后得到最终的灰度图。本文从彩色图像灰度化出发,进一步进行了视频灰度化的讨论。视频灰度化不同于彩色图像灰度化,还需要在图像灰度化的基础上考虑时域一致性。本文就这一问题,进行了详细的问题的分析和建立了相应的数学模型,并且利用光流技术给出了具体的视频灰度化的扩展方法。