1、灰度化
这里讨论的是：RGB空间图像
定义于RGB空间的彩色图，其每个像素点的色彩由R、G、B三个分量共同决定。每个分量在内存所占的位数共同决定了图像深度，即每个像素点所占的字节数。以常见的24深度彩色RGB图来说，其三个分量各占1个字节，这样每个分量可以取值为0~255，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。对这样一幅彩色图来说，其对应的灰度图则是只有8位的图像深度（可认为它是RGB三个分量相等），这也说明了灰度图图像处理所需的计算量确实要少。不过需要注意的是，虽然丢失了一些颜色等级，但是从整幅图像的整体和局部的色彩以及亮度等级分布特征来看，灰度图描述与彩色图的描述是一致的。
对于RGB图像进行灰度化，通俗点说就是对图像的RGB三个分量进行加权平均得到最终的灰度值。最常见的加权方法如下：
1）Gray=B；Gray=G；Gray=R
2）Gray=max(B+G+R)
3）Gray=(B+G+R)/3
4）Gray= 0.072169B+ 0.715160G+ 0.212671R
5）Gray= 0.11B+ 0.59G+ 0.3R
这三种方法中，第一种为分量法，即用RGB三个分量的某一个分量作为该点的灰度值；第二种方法为最大值法，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。第三种方法将彩色图像中的三分量亮度求平均得到一个灰度图；后两种都是属于加权平均法，其中第四种是OpenCV开放库所采用的灰度权值，第五种为从人体生理学角度所提出的一种权值（人眼对绿色的敏感最高，对蓝色敏感最低）
2、 灰度直方图
灰度直方图是对图像的灰度信息进行统计的工具，纵轴代表灰度，纵轴代表概率。通常，直方图操作可以用于图像的增强、图像压缩、图像分割当中。
Opencv实现：http://blog.csdn.net/morewindows/article/details/8364656
此外，灰度变换有三种分类：
线性变换：针对原图灰度级区间较小的情况，通过线性变化进行拉伸扩展；
对数变换：指数变换的作用是扩展图像的高灰度级、压缩低灰度级。虽然幂次变换也有这个功能，但是图像经过指数变换后对比度更高，高灰度级也被扩展到了更宽的范围。
与对数变换相同，幂次变换将部分灰度区域映射到更宽的区域中。当r=1时，幂次变换转变为线性变换。
(1) 当r<0时，变换函数曲线在正比函数上方。此时扩展低灰度级，压缩高灰度级，使图像变亮。这一点与对数变换十分相似。
(2) 当r>0时，变换函数曲线在正比函数下方。此时扩展高灰度级，压缩低灰度级，使图像变暗。
3、直方图均衡化
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。对于对比度不强的图像，通过均衡化操作，可以让图像灰度值的直方图均衡分布，增强图像的对比度。
Opencv实现：http://blog.csdn.net/morewindows/article/details/8364690
4、空间滤波
一种采用滤波处理的影像增强方法。其理论基础是空间卷积。目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。分为低通滤波（平滑化）、高通滤波（锐化）和带通滤波。处理方法有计算机处理（数字滤波）和光学信息处理两种。
通常选定一个领域（滤波模板），将领域各像素点与滤波系数相乘之和为滤波结果。
空域滤波技术根据功能主要分为平滑滤波与锐化滤波。
平滑滤波能减弱或消除图像中的高频率分量而不影响低频分量，高频分量对应图像中的区域边缘等灰度值具有较大变化的部分，平滑滤波可将这些分量滤去减少局部灰度起伏，使图像变得比较平滑。也可用于消除噪声，或在提取较大目标前去除小的细节或将目标的小间断连接起来。
在平滑滤波中，均值（线性）滤波可能带来轮廓模糊的副作用，而中值滤波（非线性）滤波去噪效果优秀，相较均值滤波其模糊程度更低，尤其是针对脉冲噪声的去噪，但有可能带来图像性质的改变
锐化滤波正好相反，锐化滤波常用于增强被模糊的细节或目标的边缘，强化图像的细节。