`skimage.filters.rank`#

`autolevel`	使用局部直方图自动调整图像级别。
`autolevel_percentile`	返回图像的灰度局部自动调整级别。
`enhance_contrast`	增强图像的对比度。
`enhance_contrast_percentile`	增强图像的对比度。
`entropy`	局部熵。
`equalize`	使用局部直方图均衡化图像。
`geometric_mean`	返回图像的局部几何平均值。
`gradient`	返回图像的局部梯度（即局部最大值 - 局部最小值）。
`gradient_percentile`	返回图像的局部梯度（即局部最大值 - 局部最小值）。
`majority`	为每个像素分配其邻域内最常见的值。
`maximum`	返回图像的局部最大值。
`mean`	返回图像的局部平均值。
`mean_bilateral`	应用一个扁平核双边滤波器。
`mean_percentile`	返回图像的局部平均值。
`median`	返回图像的局部中值。
`minimum`	返回图像的局部最小值。
`modal`	返回图像的局部众数。
`noise_filter`	噪声特征。
`otsu`	每个像素的局部 Otsu 阈值。
`percentile`	返回图像的局部百分位数。
`pop`	返回像素的局部数量（总体）。
`pop_bilateral`	返回像素的局部数量（总体）。
`pop_percentile`	返回像素的局部数量（总体）。
`subtract_mean`	返回图像减去其局部平均值的结果。
`subtract_mean_percentile`	返回图像减去其局部平均值的结果。
`sum`	返回像素的局部总和。
`sum_bilateral`	应用一个扁平核双边滤波器。
`sum_percentile`	返回像素的局部总和。
`threshold`	图像的局部阈值。
`threshold_percentile`	图像的局部阈值。
`windowed_histogram`	归一化滑动窗口直方图

skimage.filters.rank.autolevel(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

使用局部直方图自动调整图像级别。

此过滤器局部拉伸灰度值的直方图，以覆盖从“白色”到“黑色”的整个值范围。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import autolevel
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> auto = autolevel(img, disk(5))
>>> auto_vol = autolevel(volume, ball(5))

秩滤波器

skimage.filters.rank.autolevel_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[源代码]#

返回图像的灰度局部自动调整级别。

此过滤器局部拉伸灰度值的直方图，以覆盖从“白色”到“黑色”的整个值范围。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

秩滤波器

skimage.filters.rank.enhance_contrast(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

增强图像的对比度。

如果像素灰度值更接近局部最大值而不是局部最小值，则此操作将每个像素替换为局部最大值。否则，它将被局部最小值替换。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import enhance_contrast
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = enhance_contrast(img, disk(5))
>>> out_vol = enhance_contrast(volume, ball(5))

秩滤波器

skimage.filters.rank.enhance_contrast_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[源代码]#

增强图像的对比度。

如果像素灰度值更接近局部最大值而不是局部最小值，则此操作将每个像素替换为局部最大值。否则，它将被局部最小值替换。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

秩滤波器

skimage.filters.rank.entropy(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

局部熵。

熵是使用以 2 为底的对数计算的，即过滤器返回对局部灰度分布进行编码所需的最小位数。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (float): 输出图像。

参考文献

[1]

https://en.wikipedia.org/wiki/Entropy_(information_theory)

示例

>>> from skimage import data
>>> from skimage.filters.rank import entropy
>>> from skimage.morphology import disk, ball
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> ent = entropy(img, disk(5))
>>> ent_vol = entropy(volume, ball(5))

着色灰度图像

熵

秩滤波器

skimage.filters.rank.equalize(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

使用局部直方图均衡化图像。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import equalize
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> equ = equalize(img, disk(5))
>>> equ_vol = equalize(volume, ball(5))

局部直方图均衡化

秩滤波器

skimage.filters.rank.geometric_mean(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

返回图像的局部几何平均值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

参考文献

[1]

Gonzalez, R. C. 和 Woods, R. E. “数字图像处理（第 3 版）。”Prentice-Hall Inc, 2006。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import mean
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> avg = geometric_mean(img, disk(5))
>>> avg_vol = geometric_mean(volume, ball(5))

skimage.filters.rank.gradient(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

返回图像的局部梯度（即局部最大值 - 局部最小值）。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import gradient
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = gradient(img, disk(5))
>>> out_vol = gradient(volume, ball(5))

分水岭变换的标记

秩滤波器

skimage.filters.rank.gradient_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[源代码]#

返回图像的局部梯度（即局部最大值 - 局部最小值）。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

skimage.filters.rank.majority(image, footprint, *, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

为每个像素分配其邻域内最常见的值。

参数:

imagendarray: 图像数组（uint8，uint16 数组）。
footprint二维数组（整数或浮点数）: 邻域表示为 1 和 0 的二维数组。
outndarray（整数或浮点数），可选: 如果为 None，将分配一个新数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint，可选: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

示例

>>> from skimage import data
>>> from skimage.filters.rank import majority
>>> from skimage.morphology import disk, ball
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> maj_img = majority(img, disk(5))
>>> maj_img_vol = majority(volume, ball(5))

skimage.filters.rank.maximum(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

返回图像的局部最大值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

另请参阅

skimage.morphology.dilation

注意

较低的算法复杂度使得 skimage.filters.rank.maximum 对于较大的图像和足迹更有效。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import maximum
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = maximum(img, disk(5))
>>> out_vol = maximum(volume, ball(5))

秩滤波器

skimage.filters.rank.mean(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[源代码]#

返回图像的局部平均值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import mean
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> avg = mean(img, disk(5))
>>> avg_vol = mean(volume, ball(5))

均值滤波器

分割人体细胞（有丝分裂）

秩滤波器

skimage.filters.rank.mean_bilateral(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, s0=10, s1=10)[源代码]#

应用一个扁平核双边滤波器。

这是一个保边和降噪的去噪滤波器。它基于像素的空间接近度和辐射相似度对像素进行平均。

空间接近度是通过仅考虑由足迹（结构元素）给定的局部像素邻域来测量的。

辐射相似度由灰度级区间 [g-s0, g+s1] 定义，其中 g 是当前像素灰度级。

仅对属于足迹且灰度级在此区间内的像素进行平均。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
s0, s1int: 定义中心像素灰度值周围的 [s0, s1] 区间，以用于计算该值。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

另请参阅

skimage.restoration.denoise_bilateral

示例

>>> import numpy as np
>>> from skimage import data
>>> from skimage.morphology import disk
>>> from skimage.filters.rank import mean_bilateral
>>> img = data.camera().astype(np.uint16)
>>> bilat_img = mean_bilateral(img, disk(20), s0=10,s1=10)

均值滤波器

秩滤波器

skimage.filters.rank.mean_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[源代码]#

返回图像的局部平均值。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

均值滤波器

skimage.filters.rank.median(image, footprint=None, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

返回图像的局部中值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为一个由 1 和 0 组成的 ndarray 数组。如果为 None，则使用大小为 3 的完整正方形。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

另请参阅

skimage.filters.median: 中值滤波的实现，可处理具有浮点精度的图像。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import median
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> med = median(img, disk(5))
>>> med_vol = median(volume, ball(5))

分水岭变换的标记

秩滤波器

skimage.filters.rank.minimum(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

返回图像的局部最小值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

另请参阅

skimage.morphology.erosion

注意

较低的算法复杂度使得 skimage.filters.rank.minimum 对于较大的图像和足迹更有效。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import minimum
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = minimum(img, disk(5))
>>> out_vol = minimum(volume, ball(5))

秩滤波器

skimage.filters.rank.modal(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

返回图像的局部众数。

模式是在局部直方图中出现最频繁的值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import modal
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = modal(img, disk(5))
>>> out_vol = modal(volume, ball(5))

skimage.filters.rank.noise_filter(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

噪声特征。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

参考文献

[1]

N. Hashimoto et al. 用于全玻片成像的无参考图像质量评估。J Pathol Inform 2012;3:9。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import noise_filter
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = noise_filter(img, disk(5))
>>> out_vol = noise_filter(volume, ball(5))

skimage.filters.rank.otsu(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

每个像素的局部 Otsu 阈值。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

参考文献

[1]

https://en.wikipedia.org/wiki/Otsu's_method

示例

>>> from skimage import data
>>> from skimage.filters.rank import otsu
>>> from skimage.morphology import disk, ball
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> local_otsu = otsu(img, disk(5))
>>> thresh_image = img >= local_otsu
>>> local_otsu_vol = otsu(volume, ball(5))
>>> thresh_image_vol = volume >= local_otsu_vol

阈值处理

秩滤波器

skimage.filters.rank.percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0)[source]#

返回图像的局部百分位数。

返回局部灰度值分布的 p0 下分位数的值。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0float in [0, …, 1]: 设置百分位数的值。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

skimage.filters.rank.pop(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

返回像素的局部数量（总体）。

像素数定义为包含在足迹和掩码中的像素数。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage.morphology import footprint_rectangle # Need to add 3D example
>>> import skimage.filters.rank as rank
>>> img = 255 * np.array([[0, 0, 0, 0, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 0, 0, 0, 0]], dtype=np.uint8)
>>> rank.pop(img, footprint_rectangle((3, 3)))
array([[4, 6, 6, 6, 4],
       [6, 9, 9, 9, 6],
       [6, 9, 9, 9, 6],
       [6, 9, 9, 9, 6],
       [4, 6, 6, 6, 4]], dtype=uint8)

skimage.filters.rank.pop_bilateral(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, s0=10, s1=10)[source]#

返回像素的局部数量（总体）。

像素数定义为包含在足迹和掩码中的像素数。此外，像素的灰度级必须在区间 [g-s0, g+s1] 内，其中 g 是中心像素的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
s0, s1int: 定义中心像素灰度值周围的 [s0, s1] 区间，以用于计算该值。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

示例

>>> import numpy as np
>>> from skimage.morphology import footprint_rectangle
>>> import skimage.filters.rank as rank
>>> img = 255 * np.array([[0, 0, 0, 0, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 0, 0, 0, 0]], dtype=np.uint16)
>>> rank.pop_bilateral(img, footprint_rectangle((3, 3)), s0=10, s1=10)
array([[3, 4, 3, 4, 3],
       [4, 4, 6, 4, 4],
       [3, 6, 9, 6, 3],
       [4, 4, 6, 4, 4],
       [3, 4, 3, 4, 3]], dtype=uint16)

skimage.filters.rank.pop_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[source]#

返回像素的局部数量（总体）。

像素数定义为包含在足迹和掩码中的像素数。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

skimage.filters.rank.subtract_mean(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

返回图像减去其局部平均值的结果。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

注意

减去均值可能会引入下溢。为了补偿这种潜在的下溢，获得的差值会缩小 2 倍，并偏移 n_bins / 2 - 1，即局部直方图的中值（对于 16 位图像，n_bins = max(3, image.max()) +1，否则为 256）。

示例

>>> from skimage import data
>>> from skimage.morphology import disk, ball
>>> from skimage.filters.rank import subtract_mean
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> out = subtract_mean(img, disk(5))
>>> out_vol = subtract_mean(volume, ball(5))

skimage.filters.rank.subtract_mean_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[source]#

返回图像减去其局部平均值的结果。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

skimage.filters.rank.sum(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

返回像素的局部总和。

请注意，总和可能会根据输入数组的数据类型而溢出。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage.morphology import footprint_rectangle # Need to add 3D example
>>> import skimage.filters.rank as rank         # Cube seems to fail but
>>> img = np.array([[0, 0, 0, 0, 0],            # Ball can pass
...                 [0, 1, 1, 1, 0],
...                 [0, 1, 1, 1, 0],
...                 [0, 1, 1, 1, 0],
...                 [0, 0, 0, 0, 0]], dtype=np.uint8)
>>> rank.sum(img, footprint_rectangle((3, 3)))
array([[1, 2, 3, 2, 1],
       [2, 4, 6, 4, 2],
       [3, 6, 9, 6, 3],
       [2, 4, 6, 4, 2],
       [1, 2, 3, 2, 1]], dtype=uint8)

skimage.filters.rank.sum_bilateral(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, s0=10, s1=10)[source]#

应用一个扁平核双边滤波器。

这是一个保边和降噪的去噪滤波器。它基于像素的空间接近度和辐射相似度对像素进行平均。

空间接近度是通过仅考虑由足迹（结构元素）给定的局部像素邻域来测量的。

辐射相似度由灰度级区间 [g-s0, g+s1] 定义，其中 g 是当前像素灰度级。

仅对属于足迹且灰度值在此区间内的像素求和。

请注意，总和可能会根据输入数组的数据类型而溢出。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
s0, s1int: 定义中心像素灰度值周围的 [s0, s1] 区间，以用于计算该值。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

另请参阅

skimage.restoration.denoise_bilateral

示例

>>> import numpy as np
>>> from skimage import data
>>> from skimage.morphology import disk
>>> from skimage.filters.rank import sum_bilateral
>>> img = data.camera().astype(np.uint16)
>>> bilat_img = sum_bilateral(img, disk(10), s0=10, s1=10)

skimage.filters.rank.sum_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0, p1=1)[source]#

返回像素的局部总和。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

请注意，总和可能会根据输入数组的数据类型而溢出。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0, p1[0, ..., 1] 中的浮点数: 定义要考虑计算值的 [p0, p1] 百分位数间隔。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

skimage.filters.rank.threshold(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, shift_z=0)[source]#

图像的局部阈值。

如果中心像素的灰度值大于局部均值，则生成的二值掩码为 True。

参数:

image([P,] M, N) ndarray (uint8, uint16): 输入图像。
footprintndarray: 邻域表示为 1 和 0 的 ndarray。
out([P,] M, N) array (与输入相同的数据类型): 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_y, shift_zint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。

返回:

out([P,] M, N) ndarray (与输入图像相同的数据类型): 输出图像。

示例

>>> from skimage.morphology import footprint_rectangle # Need to add 3D example
>>> from skimage.filters.rank import threshold
>>> img = 255 * np.array([[0, 0, 0, 0, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 1, 1, 1, 0],
...                       [0, 0, 0, 0, 0]], dtype=np.uint8)
>>> threshold(img, footprint_rectangle((3, 3)))
array([[0, 0, 0, 0, 0],
       [0, 1, 1, 1, 0],
       [0, 1, 0, 1, 0],
       [0, 1, 1, 1, 0],
       [0, 0, 0, 0, 0]], dtype=uint8)

skimage.filters.rank.threshold_percentile(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, p0=0)[source]#

图像的局部阈值。

如果中心像素的灰度值大于局部均值，则生成的二值掩码为 True。

在过滤器中，仅考虑百分位数 [p0, p1] 之间的灰度值。

参数:

image二维数组 (uint8, uint16): 输入图像。
footprint二维数组: 邻域表示为 1 和 0 的二维数组。
out二维数组（与输入相同的数据类型）: 如果为 None，则分配一个新的数组。
maskndarray: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
p0float in [0, …, 1]: 设置百分位数的值。

返回:

out二维数组（与输入图像相同的数据类型）: 输出图像。

skimage.filters.rank.windowed_histogram(image, footprint, out=None, mask=None, shift_x=0, shift_y=0, n_bins=None)[source]#

归一化滑动窗口直方图

参数:

image二维数组（整数或浮点数）: 输入图像。
footprint二维数组（整数或浮点数）: 邻域表示为 1 和 0 的二维数组。
out二维数组（整数或浮点数），可选: 如果为 None，则分配一个新的数组。
maskndarray（整数或浮点数），可选: 定义局部邻域中包含的图像区域的掩码数组（>0）。如果为 None，则使用完整图像（默认）。
shift_x, shift_yint，可选: 添加到足迹中心点的偏移量。偏移量受限于足迹大小（中心必须在给定的足迹内）。
n_bins整数或 None: 直方图箱的数量。如果传递 None，则默认为 image.max() + 1。

返回:

out三维数组 (float): 维度为 (H,W,N) 的数组，其中 (H,W) 是输入图像的维度，N 是 n_bins 或 image.max() + 1 （如果没有提供值作为参数）。实际上，每个像素都是一个 N 维特征向量，即直方图。特征向量中元素的总和将为 1，除非窗口中没有像素被足迹和掩码覆盖，在这种情况下，所有元素都将为 0。

示例

>>> from skimage import data
>>> from skimage.filters.rank import windowed_histogram
>>> from skimage.morphology import disk, ball
>>> import numpy as np
>>> img = data.camera()
>>> rng = np.random.default_rng()
>>> volume = rng.integers(0, 255, size=(10,10,10), dtype=np.uint8)
>>> hist_img = windowed_histogram(img, disk(5))

滑动窗口直方图

skimage.filters.rank#

`skimage.filters.rank`#