exposure

Module: exposure

skimage.exposure.adjust_gamma(image, …)Performs Gamma Correction on the input image.
skimage.exposure.adjust_log(image, gain, inv)Performs Logarithmic correction on the input image.
skimage.exposure.adjust_sigmoid(image, …)Performs Sigmoid Correction on the input image.
skimage.exposure.cumulative_distribution(image)Return cumulative distribution function (cdf) for the given image.
skimage.exposure.equalize_adapthist(image, …)Contrast Limited Adaptive Histogram Equalization (CLAHE).
skimage.exposure.equalize_hist(image, …)Return image after histogram equalization.
skimage.exposure.histogram(image, nbins)Return histogram of image.
skimage.exposure.is_low_contrast(image, …)Detemine if an image is low contrast.
skimage.exposure.rescale_intensity(image, …)Return image after stretching or shrinking its intensity levels.
skimage.exposure.exposure​

adjust_gamma

skimage.exposure.adjust_gamma(image, gamma=1, gain=1)[source]

对输入图像执行Gamma校正。

也称为幂律变换。该函数在将O = I**gamma每个像素缩放到范围0到1之后根据等式按照像素方式转换输入图像。

参数：图像：ndarray输入图像。gamma：float非负实数。默认值为1. gain：float恒定乘数。默认值是1。
返回：出：ndarray Gamma校正输出图像。

另请参阅

adjust_log

注意

对于gamma大于1的情况，直方图会向左移动，输出图像会比输入图像更暗。

对于小于1的伽玛，直方图将向右移动，输出图像将比输入图像亮。

参考

R114http://en.wikipedia.org/wiki/Gamma_correction

例子

>>> 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

adjust_log

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

对输入图像执行对数校正。

O = gain*log(1 + I)在将每个像素缩放到0到1范围之后，该函数按照公式将输入图像按像素方式进行变换。对于反对数校正，公式为O = gain*(2**I - 1)。

参数：图像：ndarray输入图像。增益：浮动恒定乘数。默认值为1. inv：float如果为True，则执行反对数校正，否则校正将为对数。默认为False。
返回：out：对数对数校正后的输出图像。

另请参阅

adjust_gamma

参考

R115http://www.ece.ucsb.edu/Faculty/Manjunath/courses/ece178W03/EnhancePart1.pdf

adjust_sigmoid

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

对输入图像执行Sigmoid校正。

也称为对比度调整。该函数在将O = 1/(1 + exp*(gain*(cutoff - I)))每个像素缩放到范围0到1之后根据等式按照像素方式转换输入图像。

参数：图像：ndarray输入图像。cutoff：float切断在水平方向上移动特性曲线的S形函数。默认值是0.5。gain：float S指数函数的指数函数中的常数乘数。默认值为10. inv：bool如果为True，则返回负S形修正。默认为False。
返回：out：ndarray Sigmoid修正输出图像。

另请参阅

adjust_gamma

参考

R116Gustav J. Braun, “Image Lightness Rescaling Using Sigmoidal Contrast Enhancement Functions”, http://www.cis.rit.edu/fairchild/PDFs/PAP07.pdf

cumulative_distribution

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

返回给定图像的累积分布函数（cdf）。

参数：图像：阵列图像数组。nbins：int图像直方图的bin数。
返回：img_cdf：数组累积分布函数的值。bin_centers：数组中心。

另请参阅

histogram

参考

R117http://en.wikipedia.org/wiki/Cumulative_distribution_function

例子

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

equalize_adapthist

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

对比度有限自适应直方图均衡化（CLAHE）。

用于局部对比度增强的算法，其使用在图像的不同图块区域上计算的直方图。因此即使在比大多数图像更暗或更亮的区域，也可以增强局部细节。

参数：图像：（M，N，C）ndarray输入图像。kernel_size：整数或类似列表，可选定义算法中使用的上下文区域的形状。如果传递了迭代，它必须具有与image.ndim相同数量的元素（不带颜色通道）。如果是整数，它会广播到每个图像尺寸。默认情况下，kernel_size是1/8宽度的图像高度的1/8。clip_limit：float，可选的剪切限制，在0和1之间进行归一化（较高的值可提供更大的对比度）。nbins：int，可选直方图（“数据范围”）的灰色区域数量。
返回：out：（M，N，C）ndarray均衡图像。

另请参阅

equalize_hist, rescale_intensity

注意

  • 对于彩色图像，执行以下步骤：

参考

R118http://tog.acm.org/resources/GraphicsGems/

R119https://en.wikipedia.org/wiki/CLAHE#CLAHE

equalize_hist

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

在直方图均衡之后返回图像。

参数：图像：阵列图像数组。nbins：int，可选图像直方图的bin数。注意：整数图像忽略此参数，每个整数都是它自己的bin。掩码：bools的ndarray或0和1s，可选与图像形状相同的阵列。只有使用mask == True的点才会用于均衡，这将应用于整个图像。
返回：out：float数组直方图均衡之后的图像数组。

注意

此函数经作者许可从[R120]改编而来。

参考

R120(1, 2) http://www.janeriksolem.net/2009/06/histogram-equalization-with-python-and.html

R121http://en.wikipedia.org/wiki/Histogram_equalization

histogram

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

返回图像的直方图。

与numpy.histogram此不同的是，这个函数返回仓的中心，并且不会重定整型数组。对于整数数组，每个整数值都有自己的bin，这可以提高速度和强度分辨率。

在平坦图像上计算直方图：对于彩色图像，应在每个通道上分别使用该函数以获得每个颜色通道的直方图。

参数：image：数组输入图像。nbins：int用于计算直方图的bin数。整数数组被忽略。
返回：hist：数组直方图的值。bin_centers：数组在容器中心的值。

另请参阅

cumulative_distribution

示例

>>> from skimage import data, exposure, img_as_float
>>> image = img_as_float(data.camera())
>>> np.histogram(image, bins=2)
(array([107432, 154712]), array([ 0. ,  0.5,  1. ]))
>>> exposure.histogram(image, nbins=2)
(array([107432, 154712]), array([ 0.25,  0.75]))

is_low_contrast

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

确定图像是否低对比度。

参数：image：像数组一样被测试的图像。fraction_threshold：float，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全部范围的这一部分时，图像被认为是低对比度。R122 lower_bound：float，可选在计算图像对比度时忽略低于此百分位数的值。upper_bound：float，可选当计算图像对比度时，忽略高于此百分位数的值。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：out：bool当图像被确定为低对比度时为真。

参考

R122(1, 2) http://scikit-image.org/docs/dev/user_guide/data_types.html

例子

>>> 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

rescale_intensity

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

在拉伸或收缩强度水平后返回图像。

的输入和输出，所述的所期望的强度范围in_range和out_range分别用于拉伸或收缩的输入图像的强度范围。看下面的例子。

参数：图像：阵列图像数组。in_range，out_range：str或2-tuple输入和输出图像的最小和最大亮度值。下面列举了这个参数的可能值。'image'使用图像最小/最大值作为强度范围。'dtype'使用图像的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。在DTYPE_RANGE中必须是有效的密钥。2元组使用range_values作为明确的最小/最大强度。
返回：out：重新调整其强度后重新排列Image阵列。该图像与输入图像是相同的dtype。

另请参阅

equalize_hist

例子

默认情况下，输入图像的最小/最大强度被拉伸到图像的dtype允许的限制，因为in_range默认为'image'并且out_range默认为'dtype'：

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

意外地将图像dtype从uint8转换为float会很容易：

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

使用rescale_intensity重新调整到合适的范围浮法dtypes：

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

要保持原稿的低对比度，请使用in_range参数：

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

如果最小/最大值in_range大于/小于最小/最大图像强度，则剪切强度级别：

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

如果您有带有符号整数的图像，但想要将图像重新缩放到正范围，请使用out_range参数：

>>> image = np.array([-10, 0, 10], dtype=np.int8)
>>> rescale_intensity(image, out_range=(0, 127))
array([  0,  63, 127], dtype=int8)