`skimage.exposure`#

影像強度調整，例如直方圖均衡化等。

`adjust_gamma`	對輸入影像執行 Gamma 校正。
`adjust_log`	對輸入影像執行對數校正。
`adjust_sigmoid`	對輸入影像執行 Sigmoid 校正。
`cumulative_distribution`	傳回給定影像的累積分布函數 (cdf)。
`equalize_adapthist`	對比限制自適應直方圖均衡化 (CLAHE)。
`equalize_hist`	傳回直方圖均衡化後的影像。
`histogram`	傳回影像的直方圖。
`is_low_contrast`	判斷影像是否為低對比。
`match_histograms`	調整影像，使其累積直方圖與另一影像的直方圖相符。
`rescale_intensity`	傳回伸展或縮減其強度級別後的影像。

skimage.exposure.adjust_gamma(image, gamma=1, gain=1)[原始碼]#

對輸入影像執行 Gamma 校正。

也稱為冪律轉換。此函數根據公式 O = I**gamma，在將每個像素縮放到 0 到 1 的範圍後，逐像素轉換輸入影像。

參數：

imagendarray: 輸入影像。
gammafloat，選填: 非負實數。預設值為 1。
gainfloat，選填: 常數乘數。預設值為 1。

傳回：

outndarray: 經過 Gamma 校正的輸出影像。

另請參閱

adjust_log

注意事項

對於大於 1 的 gamma 值，直方圖將向左移動，且輸出影像會比輸入影像更暗。

對於小於 1 的 gamma 值，直方圖將向右移動，且輸出影像會比輸入影像更亮。

參考資料

[1]

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

範例

>>> 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 和對數對比調整

探索 3D 影像（細胞）

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

對輸入影像執行對數校正。

此函數根據公式 O = gain*log(1 + I)，在將每個像素縮放到 0 到 1 的範圍後，逐像素轉換輸入影像。對於反對數校正，公式為 O = gain*(2**I - 1)。

參數：

imagendarray: 輸入影像。
gainfloat，選填: 常數乘數。預設值為 1。
invfloat，選填: 若為 True，則執行反對數校正，否則校正將為對數。預設值為 False。

傳回：

outndarray: 經過對數校正的輸出影像。

另請參閱

adjust_gamma

參考資料

[1]

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

Gamma 和對數對比調整

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

對輸入影像執行 Sigmoid 校正。

也稱為對比調整。此函數根據公式 O = 1/(1 + exp*(gain*(cutoff - I)))，在將每個像素縮放到 0 到 1 的範圍後，逐像素轉換輸入影像。

參數：

imagendarray: 輸入影像。
cutofffloat，選填: Sigmoid 函數的截止值，會將特性曲線沿水平方向移動。預設值為 0.5。
gainfloat，選填: Sigmoid 函數指數冪中的常數乘數。預設值為 10。
invbool，選填: 若為 True，則傳回負 Sigmoid 校正。預設值為 False。

傳回：

outndarray: 經過 Sigmoid 校正的輸出影像。

另請參閱

adjust_gamma

參考資料

[1]

Gustav J. Braun, “Image Lightness Rescaling Using Sigmoidal Contrast Enhancement Functions”, http://markfairchild.org/PDFs/PAP07.pdf

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

傳回給定影像的累積分布函數 (cdf)。

參數：

image陣列: 影像陣列。
nbinsint，選填: 影像直方圖的 bin 數量。

傳回：

img_cdf陣列: 累積分布函數的值。
bin_centers陣列: bin 的中心。

另請參閱

histogram

參考資料

[1]

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

範例

>>> 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)[原始碼]#

對比限制自適應直方圖均衡化 (CLAHE)。

一種用於局部對比增強的演算法，它使用在影像的不同圖塊區域上計算的直方圖。因此，即使在比影像大部分區域更暗或更亮的區域中，也可以增強局部細節。

參數：

image(M[, …][, C]) ndarray: 輸入影像。
kernel_sizeint 或 array_like，選填: 定義演算法中使用的上下文區域形狀。如果傳遞可迭代物件，則其元素數量必須與 image.ndim (不含色彩通道) 相同。如果為整數，則會廣播到每個 image 維度。預設情況下，kernel_size 為 image 高度的 1/8 乘上寬度的 1/8。
clip_limitfloat，選填: 裁剪限制，標準化介於 0 和 1 之間（值越高，對比度越高）。
nbinsint，選填: 直方圖（「資料範圍」）的灰階 bin 數量。

傳回：

out(M[, …][, C]) ndarray: 經過均衡化的影像，具有 float64 dtype。

另請參閱

equalize_hist, rescale_intensity

注意事項

對於彩色影像，會執行下列步驟
- 影像會轉換為 HSV 色彩空間
- CLAHE 演算法會在 V (值) 通道上執行
- 影像會轉換回 RGB 空間並傳回
對於 RGBA 影像，原始 alpha 通道會被移除。

版本 0.17 中的變更：此函數傳回的值會稍微向上移動，因為捨入行為的內部變更。

參考資料

[1]

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

[2]

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

直方圖均衡化

3D 自適應直方圖均衡化

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

傳回直方圖均衡化後的影像。

參數：

image陣列: 影像陣列。
nbinsint，選填: 影像直方圖的 bin 數量。注意：此引數會針對整數影像忽略，因為每個整數都是自己的 bin。
maskndarray (布林值或 0 和 1)，選填: 與 image 具有相同形狀的陣列。只有 mask == True 的點會用於均衡化，而均衡化會套用至整個影像。

傳回：

outfloat 陣列: 直方圖均衡化後的影像陣列。

注意事項

此函數改編自 [1]，並經作者許可。

參考資料

[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)[原始碼]#

傳回影像的直方圖。

與 numpy.histogram 不同，此函數會返回 bin 的中心點，並且不會重新分組整數陣列。對於整數陣列，每個整數值都有自己的 bin，這可以提高速度和強度解析度。

如果沒有設定 channel_axis，則會在扁平化的影像上計算直方圖。對於彩色或多通道影像，請設定 channel_axis 以便為所有通道使用相同的 binning。或者，可以針對每個通道單獨應用此函數，以獲得每個顏色通道的直方圖，並使用單獨的 binning。

參數：

image陣列: 輸入影像。
nbinsint，選填: 用於計算直方圖的 bin 數量。對於整數陣列，此值會被忽略。
source_range字串，選用: ‘image’ (預設) 從輸入影像決定範圍。 ‘dtype’ 從該資料類型的影像預期範圍決定範圍。
normalize布林值，選用: 如果為 True，則將直方圖除以其值的總和進行正規化。
channel_axis整數或 None，選用: 如果為 None，則假設影像為灰階 (單通道) 影像。否則，此參數指示陣列的哪個軸對應於通道。

傳回：

hist陣列: 直方圖的值。當 channel_axis 不是 None 時，hist 將會是一個二維陣列，其中第一個軸對應於通道。
bin_centers陣列: bin 中心點的值。

另請參閱

cumulative_distribution

範例

>>> 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]))

直方圖匹配

比較基於邊緣和基於區域的分割

秩濾波器

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

判斷影像是否為低對比。

參數：

image類陣列: 測試中的影像。
fraction_threshold浮點數，選用: 低對比度分位數門檻。當影像的亮度範圍小於其資料類型完整範圍的此分位數時，則認為影像為低對比度。[1]
lower_percentile浮點數，選用: 在計算影像對比度時，忽略低於此分位數的值。
upper_percentile浮點數，選用: 在計算影像對比度時，忽略高於此分位數的值。
method字串，選用: 對比度決定方法。目前唯一可用的選項是“linear”。

傳回：

out布林值: 當影像被判斷為低對比度時為 True。

注意事項

對於布林值影像，只有當所有值都相同時，此函數才會返回 False（方法、門檻值和分位數參數會被忽略）。

參考資料

[1]

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

範例

>>> 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)[原始碼]#

調整影像，使其累積直方圖與另一影像的直方圖相符。

此調整會單獨應用於每個通道。

參數：

imagendarray: 輸入影像。可以是灰階或彩色。
referencendarray: 用於比對直方圖的影像。必須與影像具有相同數量的通道。
channel_axis整數或 None，選用: 如果為 None，則假設影像為灰階 (單通道) 影像。否則，此參數指示陣列的哪個軸對應於通道。

傳回：

matchedndarray: 已轉換的輸入影像。

引發:

ValueError: 當輸入影像和參考影像中的通道數不同時拋出。

參考資料

[1]

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

直方圖匹配

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

傳回伸展或縮減其強度級別後的影像。

輸入和輸出的目標強度範圍，分別為 in_range 和 out_range，用於延展或縮小輸入影像的強度範圍。請參閱以下範例。

參數：

image陣列

影像陣列。

in_range, out_range字串或 2 元組，選用

輸入和輸出影像的最小和最大強度值。以下列舉此參數的可能值。

‘image’: 使用影像最小/最大值作為強度範圍。
‘dtype’: 使用影像的 dtype 的最小/最大值作為強度範圍。
dtype-name: 使用基於所需 dtype 的強度範圍。必須是 DTYPE_RANGE 中的有效鍵值。
2 元組: 使用 range_values 作為明確的最小/最大強度值。

傳回：

out陣列: 在重新調整強度後的影像陣列。此影像的 dtype 與輸入影像相同。

另請參閱

equalize_hist

注意事項

在版本 0.17 中變更：輸出陣列的 dtype 已變更為與輸入 dtype 相符，如果輸出範圍是由一對值指定，則為浮點數。

範例

預設情況下，輸入影像的最小/最大強度會延展至影像的 dtype 所允許的極限，因為 in_range 預設為 ‘image’，而 out_range 預設為 ‘dtype’。

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

很容易不小心將影像 dtype 從 uint8 轉換為浮點數

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

使用 rescale_intensity 重新調整為浮點數 dtype 的正確範圍

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

若要保持原始的低對比度，請使用 in_range 參數

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

如果 in_range 的最小/最大值大於/小於最小/最大影像強度，則會裁剪強度等級

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

如果您的影像是帶正負號的整數，但只想將影像重新調整到正值範圍，請使用 out_range 參數。在這種情況下，輸出 dtype 將為浮點數

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

若要取得具有特定 dtype 的目標範圍，請使用 .astype()

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

如果輸入影像是恆定的，則輸出會直接裁剪到輸出範圍： >>> 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)