`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S型校正。
`skimage.exposure.cumulative_distribution`	返回给定图像的累积分布函数 (cdf)。
`skimage.exposure.equalize_adapthist`	对比度受限自适应直方图均衡 (CLAHE)。
`skimage.exposure.equalize_hist`	直方图均衡后返回图像。
`skimage.exposure.histogram`	返回图像的直方图。
`skimage.exposure.is_low_contrast`	确定图像是否对比度低。
`skimage.exposure.match_histograms`	调整图像，使其累积直方图与另一个图像的累积直方图匹配。
`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)[source]#

对输入图像执行伽马校正。

也称为幂律变换。此函数根据等式 O = I**gamma 对输入图像进行逐像素变换，并在将每个像素缩放至 0 到 1 的范围内。

参数：

imagendarray: 输入图像。
gammafloat，可选: 非负实数。默认值为 1。
gainfloat，可选: 常数乘数。默认值为 1。

返回值：

outndarray: 伽马校正后的输出图像。

另请参阅

adjust_log

备注

对于大于 1 的 gamma，直方图将向左移动，输出图像将比输入图像更暗。

对于小于 1 的 gamma，直方图将向右移动，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

伽马和对数对比度调整

探索 3D 图像（细胞）

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

对输入图像执行对数校正。

此函数根据等式 O = gain*log(1 + I) 对输入图像进行逐像素变换，并在将每个像素缩放至 0 到 1 的范围内。对于逆对数校正，等式为 O = gain*(2**I - 1)。

参数：

imagendarray: 输入图像。
gainfloat，可选: 常数乘数。默认值为 1。
invfloat，可选: 如果为 True，则执行逆对数校正，否则校正将是对数校正。默认为 False。

返回值：

outndarray: 对数校正后的输出图像。

另请参阅

adjust_gamma

参考文献

[1]

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

伽马和对数对比度调整

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

对输入图像执行S型校正。

也称为对比度调整。此函数根据等式 O = 1/(1 + exp*(gain*(cutoff - I))) 对输入图像进行逐像素变换，并在将每个像素缩放至 0 到 1 的范围内。

参数：

imagendarray: 输入图像。
cutofffloat，可选: S型函数的截止值，用于在水平方向上移动特征曲线。默认值为 0.5。
gainfloat，可选: S型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 S 型校正。默认为 False。

返回值：

outndarray: S型校正后的输出图像。

另请参阅

adjust_gamma

参考文献

[1]

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

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

返回给定图像的累积分布函数 (cdf)。

参数：

image数组: 图像数组。
nbinsint，可选: 图像直方图的 bin 数。

返回值：

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

另请参阅

直方图

参考文献

[1]

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

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

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

对比度受限自适应直方图均衡 (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平铺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，也可以增强局部细节。

参数：

image(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。如果传递迭代器，则它必须与 image.ndim（无颜色通道）具有相同的元素数量。如果为整数，则将其广播到每个 image 维度。默认情况下，kernel_size 为 image 高度的 1/8 乘以其宽度的 1/8。
clip_limitfloat，可选: 裁剪限制，在 0 和 1 之间归一化（较高的值提供更多的对比度）。
nbinsint，可选: 直方图的灰度 bin 数（“数据范围”）。

返回值：

out(M[, …][, C]) ndarray: 具有 float64 数据类型的均衡图像。

另请参阅

equalize_hist，rescale_intensity

备注

对于彩色图像，将执行以下步骤
- 图像转换为 HSV 颜色空间
- CLAHE 算法在 V（值）通道上运行
- 图像转换回 RGB 空间并返回
对于 RGBA 图像，将删除原始 alpha 通道。

0.17 版中的更改：由于内部舍入行为的更改，此函数返回的值略微向上移动。

参考文献

[1]

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

[2]

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

直方图均衡

3D 自适应直方图均衡

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

直方图均衡后返回图像。

参数：

image数组: 图像数组。
nbinsint，可选: 图像直方图的 bin 数。注意：此参数对于整数图像被忽略，对于整数图像，每个整数都是其自己的 bin。
maskbool 或 0 和 1 的 ndarray，可选: 与 image 形状相同的数组。仅在 mask == True 的点用于均衡，均衡应用于整个图像。

返回值：

outfloat 数组: 直方图均衡化后的图像数组。

备注

此函数在作者的许可下改编自 [1]。

参考文献

[1]

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

[2]

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

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

返回图像的直方图。

与 numpy.histogram 不同，此函数返回bin的中心，并且不重新bin整数数组。对于整数数组，每个整数值都有自己的bin，这提高了速度和强度分辨率。

如果未设置channel_axis，则在扁平化的图像上计算直方图。对于彩色或多通道图像，设置channel_axis以对所有通道使用公共binning。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具有单独binning的直方图。

参数：

image数组: 输入图像。
nbinsint，可选: 用于计算直方图的bin数。此值对于整数数组将被忽略。
source_range字符串，可选: ‘image’（默认）根据输入图像确定范围。‘dtype’根据该数据类型图像的预期范围确定范围。
normalize布尔值，可选: 如果为True，则通过其值的总和对直方图进行归一化。
channel_axis整数或None，可选: 如果为None，则假定图像为灰度（单通道）图像。否则，此参数指示数组的哪个轴对应于通道。

返回值：

hist数组: 直方图的值。当channel_axis不为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: bin中心的数值。

另请参阅

累积分布

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

比较基于边缘和基于区域的分割

排序滤波器

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

确定图像是否对比度低。

参数：

image类数组: 正在测试的图像。
fraction_threshold浮点数，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的完整范围的此分数时，图像被认为是低对比度的。 [1]
lower_percentile浮点数，可选: 计算图像对比度时，忽略低于此百分位数的值。
upper_percentile浮点数，可选: 计算图像对比度时，忽略高于此百分位数的值。
method字符串，可选: 对比度确定方法。目前唯一可用的选项是“linear”。

返回值：

out布尔值: 当确定图像为低对比度时为True。

备注

对于布尔图像，仅当所有值都相同（方法、阈值和百分位数参数将被忽略）时，此函数才返回False。

参考文献

[1]

https://scikit-image.cn/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)[source]#

调整图像，使其累积直方图与另一个图像的累积直方图匹配。

对于每个通道，都会单独应用调整。

参数：

imagendarray: 输入图像。可以是灰度或彩色。
referencendarray: 要匹配直方图的图像。必须与图像具有相同的通道数。
channel_axis整数或None，可选: 如果为None，则假定图像为灰度（单通道）图像。否则，此参数指示数组的哪个轴对应于通道。

返回值：

matchedndarray: 变换后的输入图像。

引发:

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

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

在拉伸或收缩其强度级别后返回图像。

输入和输出所需的强度范围，分别为in_range和out_range，用于拉伸或收缩输入图像的强度范围。请参见下面的示例。

参数：

image数组

图像数组。

in_range, out_range字符串或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示。

‘image’: 使用图像最小/最大值作为强度范围。
‘dtype’: 使用图像dtype的最小/最大值作为强度范围。
dtype-name: 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。

返回值：

out数组: 重新缩放其强度后的图像数组。此图像与输入图像具有相同的dtype。

另请参阅

直方图均衡化

备注

0.17版本中的更改：输出数组的dtype已更改为匹配输入dtype，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/最大强度会扩展到图像dtype允许的限制，因为in_range默认为‘image’，而out_range默认为‘dtype’

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

很容易意外地将图像dtype从uint8转换为float

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

使用 rescale_intensity 将其重新缩放为float dtype的正确范围

>>> 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，请使用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/小于最小/最大图像强度，则强度级别将被裁剪

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

如果您有一个带符号整数的图像，但希望将其重新缩放为仅正数范围，请使用out_range参数。在这种情况下，输出dtype将为float

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

要获得具有特定dtype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)

如果输入图像为常量，则输出将直接裁剪到输出范围：>>> 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)