`skimage.exposure`#

`skimage.exposure.adjust_gamma`	对输入图像执行伽马校正。
`skimage.exposure.adjust_log`	对输入图像执行对数校正。
`skimage.exposure.adjust_sigmoid`	对输入图像执行 Sigmoid 校正。
`skimage.exposure.cumulative_distribution`	返回给定图像的累积分布函数（cdf）。
`skimage.exposure.equalize_adapthist`	对比度受限的自适应直方图均衡化 (CLAHE)。
`skimage.exposure.equalize_hist`	返回直方图均衡化后的图像。
`skimage.exposure.histogram`	返回图像的直方图。
`skimage.exposure.is_low_contrast`	确定图像是否为低对比度。
`skimage.exposure.match_histograms`	调整一张图片，使其累积直方图与另一张图片的匹配。
`skimage.exposure.rescale_intensity`	在拉伸或收缩其强度级别后返回图像。

skimage.exposure.adjust_gamma(image, gamma=1, gain=1)[源代码][源代码]#

对输入图像执行伽马校正。

也称为幂律变换。此函数根据方程 O = I**gamma 对输入图像逐像素进行变换，在将每个像素缩放到 0 到 1 的范围之后。

参数:

图像ndarray: 输入图像。
gammafloat, 可选: 非负实数。默认值为 1。
增益float, 可选: 常数乘数。默认值为1。

返回:

出ndarray: 伽马校正后的输出图像。

参见

adjust_log

注释

对于大于1的伽马值，直方图将向左偏移，输出图像将比输入图像更暗。

对于伽马值小于1的情况，直方图将向右偏移，输出图像将比输入图像更亮。

参考文献

[1]

https://en.wikipedia.org/wiki/Gamma_correction

示例

>>> from skimage import data, exposure, img_as_float
>>> image = img_as_float(data.moon())
>>> gamma_corrected = exposure.adjust_gamma(image, 2)
>>> # Output is darker for gamma > 1
>>> image.mean() > gamma_corrected.mean()
True

Gamma 和对数对比度调整

Gamma and log contrast adjustment

探索3D图像（细胞）

Explore 3D images (of cells)

skimage.exposure.adjust_log(image, gain=1, inv=False)[源代码][源代码]#

对输入图像执行对数校正。

此函数根据方程 O = gain*log(1 + I) 逐像素转换输入图像，在将每个像素缩放到 0 到 1 的范围后。对于反向对数校正，方程为 O = gain*(2**I - 1)。

参数:

图像ndarray: 输入图像。
增益float, 可选: 常数乘数。默认值为1。
invfloat, 可选: 如果为 True，则执行反向对数校正，否则校正将为对数校正。默认为 False。

返回:

出ndarray: 对数校正后的输出图像。

参见

adjust_gamma

参考文献

[1]

http://www.ece.ucsb.edu/Faculty/Manjunath/courses/ece178W03/EnhancePart1.pdf

Gamma 和对数对比度调整

Gamma and log contrast adjustment

skimage.exposure.adjust_sigmoid(image, cutoff=0.5, gain=10, inv=False)[源代码][源代码]#

对输入图像执行 Sigmoid 校正。

也称为对比度调整。此功能根据方程 O = 1/(1 + exp*(gain*(cutoff - I))) 对输入图像进行逐像素变换，在将每个像素缩放到0到1的范围后。

参数:

图像ndarray: 输入图像。
截止float, 可选: sigmoid 函数的截止点，用于在水平方向上移动特征曲线。默认值为 0.5。
增益float, 可选: sigmoid 函数指数幂中的常数乘数。默认值为 10。
invbool, 可选: 如果为 True，则返回负的 sigmoid 修正。默认为 False。

返回:

出ndarray: Sigmoid 校正输出图像。

参见

adjust_gamma

参考文献

[1]

Gustav J. Braun, “使用Sigmoidal对比度增强函数的图像亮度重缩放”, http://markfairchild.org/PDFs/PAP07.pdf

skimage.exposure.cumulative_distribution(image, nbins=256)[源代码][源代码]#

返回给定图像的累积分布函数（cdf）。

参数:

图像数组: 图像数组。
nbinsint, 可选: 图像直方图的箱数。

返回:

img_cdf数组: 累积分布函数的值。
bin_centers数组: 箱子的中心。

参见

histogram

参考文献

[1]

https://en.wikipedia.org/wiki/累积分布函数

示例

>>> from skimage import data, exposure, img_as_float
>>> image = img_as_float(data.camera())
>>> hi = exposure.histogram(image)
>>> cdf = exposure.cumulative_distribution(image)
>>> all(cdf[0] == np.cumsum(hi[0])/float(image.size))
True

直方图匹配

Histogram matching

Gamma 和对数对比度调整

Gamma and log contrast adjustment

直方图均衡化

Histogram Equalization

局部直方图均衡化

Local Histogram Equalization

探索3D图像（细胞）

Explore 3D images (of cells)

skimage.exposure.equalize_adapthist(image, kernel_size=None, clip_limit=0.01, nbins=256)[源代码][源代码]#

对比度受限的自适应直方图均衡化 (CLAHE)。

一种用于局部对比度增强的算法，该算法使用在图像的不同瓦片区域上计算的直方图。因此，即使在比图像大部分区域更暗或更亮的区域中，局部细节也可以得到增强。

参数:

图像(M[, …][, C]) ndarray: 输入图像。
kernel_sizeint 或 array_like, 可选: 定义算法中使用的上下文区域的形状。如果传递了可迭代对象，则它必须具有与 image.ndim （不包括颜色通道）相同数量的元素。如果是整数，则它会被广播到每个 image 维度。默认情况下，kernel_size 是 image 高度的 1/8 乘以其宽度的 1/8。
clip_limitfloat, 可选: 剪切限制，在0到1之间归一化（较高的值提供更多对比度）。
nbinsint, 可选: 直方图的灰度箱数量（“数据范围”）。

返回:

出(M[, …][, C]) ndarray: 类型为 float64 的均衡化图像。

参见

equalize_hist, rescale_intensity

注释

对于彩色图像，执行以下步骤：
- 图像被转换为 HSV 色彩空间
- CLAHE 算法在 V（Value）通道上运行
- 图像被转换回RGB空间并返回
对于RGBA图像，原始的alpha通道将被移除。

在 0.17 版本发生变更: 由于内部舍入行为的改变，此函数返回的值略有上移。

参考文献

[1]

http://tog.acm.org/resources/GraphicsGems/

[2]

https://zh.wikipedia.org/wiki/CLAHE#CLAHE

直方图均衡化

Histogram Equalization

3D 自适应直方图均衡化

3D adaptive histogram equalization

skimage.exposure.equalize_hist(image, nbins=256, mask=None)[源代码][源代码]#

返回直方图均衡化后的图像。

参数:

图像数组: 图像数组。
nbinsint, 可选: 图像直方图的箱数。注意：此参数对于整数图像将被忽略，因为每个整数本身就是自己的箱。
掩码布尔值或0和1的ndarray，可选: 与 image 形状相同的数组。只有在 mask == True 的点才会用于均衡化，均衡化应用于整个图像。

返回:

出浮点数数组: 直方图均衡化后的图像数组。

注释

此函数改编自 [1] ，并获得了作者的许可。

参考文献

[1]

http://www.janeriksolem.net/histogram-equalization-with-python-and.html

[2]

https://zh.wikipedia.org/wiki/%E7%9B%B4%E6%96%B9%E5%9B%BE%E5%9D%87%E8%A1%A1%E5%8C%96

直方图均衡化

Histogram Equalization

局部直方图均衡化

Local Histogram Equalization

3D 自适应直方图均衡化

3D adaptive histogram equalization

视觉图像比较

Visual image comparison

探索3D图像（细胞）

Explore 3D images (of cells)

排序过滤器

Rank filters

skimage.exposure.histogram(image, nbins=256, source_range='image', normalize=False, *, channel_axis=None)[源代码][源代码]#

返回图像的直方图。

与 numpy.histogram 不同，此函数返回箱子的中心，并且不对整数数组重新分箱。对于整数数组，每个整数值都有自己的箱子，这提高了速度和强度分辨率。

如果 channel_axis 未设置，直方图将在展平的图像上计算。对于彩色或多通道图像，设置 channel_axis 以对所有通道使用共同的区间。或者，可以分别对每个通道应用该函数，以获得每个颜色通道的直方图，并使用单独的区间。

参数:

图像数组: 输入图像。
nbinsint, 可选: 用于计算直方图的箱数。此值对整数数组忽略。
source_range字符串，可选: ‘image’（默认）确定从输入图像的范围。’dtype’ 根据该数据类型的图像的预期范围确定范围。
规范化bool, 可选: 如果为真，则通过直方图值的总和对其进行归一化。
channel_axisint 或 None, 可选: 如果为 None，则假定图像是灰度图像（单通道）。否则，此参数指示数组的哪个轴对应于通道。

返回:

hist数组: 直方图的值。当 channel_axis 不是 None 时，hist 将是一个二维数组，其中第一个轴对应于通道。
bin_centers数组: 各箱子中心的值。

参见

cumulative_distribution

示例

>>> from skimage import data, exposure, img_as_float
>>> image = img_as_float(data.camera())
>>> np.histogram(image, bins=2)
(array([ 93585, 168559]), array([0. , 0.5, 1. ]))
>>> exposure.histogram(image, nbins=2)
(array([ 93585, 168559]), array([0.25, 0.75]))

直方图匹配

Histogram matching

基于边缘和基于区域的分割比较

Comparing edge-based and region-based segmentation

排序过滤器

Rank filters

skimage.exposure.is_low_contrast(image, fraction_threshold=0.05, lower_percentile=1, upper_percentile=99, method='linear')[源代码][源代码]#

确定图像是否为低对比度。

参数:

图像类似数组: 被测试的图像。
fraction_thresholdfloat, 可选: 低对比度分数阈值。当图像的亮度范围小于其数据类型全范围的这一部分时，该图像被认为是低对比度的。[1]
lower_percentilefloat, 可选: 在计算图像对比度时忽略低于此百分位的值。
upper_percentilefloat, 可选: 计算图像对比度时忽略高于此百分位的值。
方法str, 可选: 对比度确定方法。目前唯一可用的选项是“线性”。

返回:

出布尔: 当图像被判定为低对比度时为真。

注释

对于布尔图像，此函数仅在所有值相同时返回 False（方法、阈值和百分位参数被忽略）。

参考文献

[1]

https://scikit-image.org/docs/dev/user_guide/data_types.html

示例

>>> image = np.linspace(0, 0.04, 100)
>>> is_low_contrast(image)
True
>>> image[-1] = 1
>>> is_low_contrast(image)
True
>>> is_low_contrast(image, upper_percentile=100)
False

skimage.exposure.match_histograms(image, reference, *, channel_axis=None)[源代码][源代码]#

调整一张图片，使其累积直方图与另一张图片的匹配。

调整是分别应用于每个通道的。

参数:

图像ndarray: 输入图像。可以是灰度图像或彩色图像。
参考ndarray: 要匹配直方图的图像。必须与图像具有相同数量的通道。
channel_axisint 或 None, 可选: 如果为 None，则假定图像是灰度图像（单通道）。否则，此参数指示数组的哪个轴对应于通道。

返回:

匹配的ndarray: 转换后的输入图像。

Raises:

ValueError: 当输入图像和参考图像的通道数不同时抛出。

参考文献

[1]

http://paulbourke.net/miscellaneous/equalisation/

直方图匹配

Histogram matching

skimage.exposure.rescale_intensity(image, in_range='image', out_range='dtype')[源代码][源代码]#

在拉伸或收缩其强度级别后返回图像。

输入和输出的期望强度范围，分别是 in_range 和 out_range，用于拉伸或压缩输入图像的强度范围。请参见下面的示例。

参数:

图像数组

图像数组。

in_range, out_rangestr 或 2-元组，可选

输入和输出图像的最小和最大强度值。此参数的可能值如下所列。

‘图像’: 使用图像的最小/最大值作为强度范围。
‘dtype’: 使用图像的dtype的最小值/最大值作为强度范围。
dtype-名称: 使用基于所需 dtype 的强度范围。必须是 DTYPE_RANGE 中的有效键。
2元组: 使用 range_values 作为显式的最小/最大强度。

返回:

出数组: 重缩放强度后的图像数组。此图像与输入图像具有相同的 dtype。

参见

equalize_hist

注释

在 0.17 版本发生变更: 输出数组的 dtype 已更改为与输入 dtype 匹配，或者如果输出范围由一对值指定，则为 float。

示例

默认情况下，输入图像的最小/最大强度会被拉伸到图像的dtype所允许的极限，因为 in_range 默认设置为 ‘image’，而 out_range 默认设置为 ‘dtype’：

>>> image = np.array([51, 102, 153], dtype=np.uint8)
>>> rescale_intensity(image)
array([  0, 127, 255], dtype=uint8)

不小心将图像的 dtype 从 uint8 转换为 float 很容易：

>>> 1.0 * image
array([ 51., 102., 153.])

使用 rescale_intensity 来调整浮点型数据类型的适当范围：

>>> image_float = 1.0 * image
>>> rescale_intensity(image_float)
array([0. , 0.5, 1. ])

为了保持原始的低对比度，使用 in_range 参数：

>>> rescale_intensity(image_float, in_range=(0, 255))
array([0.2, 0.4, 0.6])

如果 in_range 的最小/最大值大于/小于图像的最小/最大强度值，那么强度级别将被裁剪：

>>> rescale_intensity(image_float, in_range=(0, 102))
array([0.5, 1. , 1. ])

如果你有一张带有符号整数的图像，但想将其缩放到仅正数范围，请使用 out_range 参数。在这种情况下，输出数据类型将是浮点数：

>>> image = np.array([-10, 0, 10], dtype=np.int8)
>>> rescale_intensity(image, out_range=(0, 127))
array([  0. ,  63.5, 127. ])

要获取具有特定数据类型的所需范围，请使用 .astype()：

>>> rescale_intensity(image, out_range=(0, 127)).astype(np.int8)
array([  0,  63, 127], dtype=int8)

如果输入图像是恒定的，输出将直接被裁剪到输出范围： >>> image = np.array([130, 130, 130], dtype=np.int32) >>> rescale_intensity(image, out_range=(0, 127)).astype(np.int32) array([127, 127, 127], dtype=int32)