skimage编程笔记——整型和实型、RGB和Lab图像数组作为颜色空间转换函数的参数的注意事项
对于图像自动上色项目来说，将RGB图像转化为Lab图像的方法是必须掌握的。博主在实践过程中，在rgb2lab()和lab2rgb()等函数上吃了很大亏，特此总结了一些注意事项。
本文涉及颜色空间转换函数和图像数据矩阵类型两方面的内容。
int型和float型的RGB图像数组作为颜色空间转换函数参数的区别
《Tensorflow：实战Google深度学习框架（第2版）》中有一句话：
大多数图像处理API支持整数和实数类型的输入。如果输入是整数类型，这些API会在内部将输入转化为实数后处理，再将输出转化为整数。如果有多个处理步骤，在整数和实数之间的反复转化将导致精度损失，因此推荐在图像处理前将其转化为实数类型。
编程中常见的一种警告：
/Library/Python/2.7/site-packages/skimage/util/dtype.py:141: UserWarning: Possible precision loss when converting from float64 to uint8
.format(dtypeobj_in, dtypeobj_out))
/Library/Python/2.7/site-packages/skimage/util/dtype.py:141: UserWarning: Possible precision loss when converting from float64 to uint16
.format(dtypeobj_in, dtypeobj_out))
Possible precision loss when converting from float to uint的意思是这意味着可能发生的精度损失。
总之，我们在使用图像处理API前，最好将图像数据转化为float型。
既然这样，我们就必须知道整型和实型图像数组的区别：
整型RGB图像数组元素值范围是0～255，实型RGB图像数组元素值范围是0～1；
Lab图像数组元素范围是：L的范围是0～100（代表亮度），a和b的范围均为-128～127（代表颜色），不管Lab图像数组是整型还是实型，范围都是这个。
另外再补充一点，skimage的颜色空间转换函数（比如rgb2lab()，lab2rgb()）的参数可以是整型或者实型，返回值都是实型。
注意到以上所讲的整型和实型的RGB图像数组范围不一致，这是我们需要注意的地方。下面进行整型和实型的RGB图像数组的使用对比：
现在我手头上有int型RGB图像数组rgb_image，要将图像转化为Lab格式只需下面一句：
lab_image = rgb2lab(rgb_image)
返回的lab_image数组是float型的。
和上述情况形成对比的是：为了照顾精度，要先将rgb_image转化为float型，再使用rgb2lab()。将整型RGB图像数组转化为实型后，由于要符合实型RGB图像数组的数据范围，所以要除以255.0f：
…… # "……"代表将rgb_image数组元素转化为float型的操作，由于仅做了数据类型转化，
# 所以数据范围依旧是0～255
rgb_image = rgb_image / 255.0f # 作用就是使图像数组数据范围符合实型RGB图像数组的要求。
# 如果不加这一句，则得到的lab_image图像数组范围超出正常，
# 且程序不会报错
lab_image = rgb2lab(rgb_image)
上述操作返回的lab_image也是float型数组，注意上述代码的/255.0f尤为重要，不然得到的lab_image数组元素数值范围会特别大。
既然整型和实型的RGB数组使用有区别，那么整型和实型的Lab图像数组有没有区别呢？
当然没有：
若我手头上有Lab图像数组，由于整型和实型的Lab图像数组范围一致，所以使用lab2rgb()时不需要改变数组元素值的范围：
rgb_image = lab2rgb(lab_image) # 无论lab_image是整型还是实型，这一句都足够了
利用Tensorflow+skimage实现颜色空间转换
根据之前所讲，当我们给rgb2lab()传入一个实型数组时，需要检查这个数组的范围是否在0～1之间，如果你将整型RGB数组转化为实型RGB数组的操作仅仅是改变了数组元素的类型，而没有改变数值范围，则程序不会报错，但得到的Lab图像数组范围会很大。
tensorflow有个函数可以将整型RGB图像转化为实型RGB图像，转化的过程不仅改变数组元素的类型，还会自动将数值范围限制在0～1.
下面给出博主实践用的代码（注意每个代码片的缩进是同步的），结合代码理解：
import tensorflow as tf
from skimage.color import rgb2lab, lab2rgb
image_raw_data = tf.gfile.FastGFile("rgb_picture/2.jpg", 'r').read() # 读取一个RGB图像
with tf.Session() as sess:
img_data = tf.image.decode_jpeg(image_raw_data) # 此时img_data是整型图像数组的tensor
print img_data.eval()
输出的是整型RGB图像数矩阵，范围在0～255:
[[[ 1 94 215]
[ 0 93 214]
[ 0 93 214]
...
[ 0 105 223]
[ 0 105 223]
[ 0 105 223]]
[[ 1 94 215]
[ 0 93 214]
[ 0 93 214]
...
利用tensorflow的函数将图像转换为float型图像
img_data = tf.image.convert_image_dtype(img_data, dtype=tf.float32)
print img_data.eval() # 输出的图片数据矩阵，数据范围都在0～1间。
# 加eval()是因为img_data是tensor，获取其值需要用eval()或者sess.run()，下同。
输出float型RGB图像数据矩阵，且数值范围自动限制在0～1间：
[[[0.00392157 0.36862746 0.8431373 ]
[0. 0.3647059 0.83921576]
[0. 0.3647059 0.83921576]
...
[0. 0.41176474 0.8745099 ]
[0. 0.41176474 0.8745099 ]
[0. 0.41176474 0.8745099 ]]
...
然后将图像转化为Lab格式()：
img_data = rgb2lab(img_data.eval())
print img_data # 返回的lab图片数据矩阵是float型，但数据范围不在-1～1间
输出Lab图像数组如下，可以看到这个Lab图像数组虽为实型，但不像实型的RGB图像数组，它的数值范围和整型Lab图像数组是一致的：
[[[ 42.63580875 24.91225502 -68.08540347]
[ 42.27894392 25.14236119 -68.09560274]
[ 42.27894392 25.14236119 -68.09560274]
...
[ 46.21493852 20.89131147 -66.81553317]
[ 46.21493852 20.89131147 -66.81553317]
[ 46.21493852 20.89131147 -66.81553317]]
...
然后将这个Lab作为别的图像颜色空间转换函数的参数，不需要修改它的数值范围，不像不符合要求的RGB图像矩阵要手动除以255以确保符合实型图像数据-1～1的范围要求。
img_data = lab2rgb(img_data) # 如果你多此一举地将作为Lab图像数组的img_data
# 的数值范围限制在-1～1间，程序会报错
print img_data # 返回的rgb图片数据矩阵是float型，数据范围在-1～1间
瞧瞧这返回的RGB图像矩阵，毫无疑问，范围又被限制回-1～1间：
[[[3.92156872e-03 3.68627461e-01 8.43137327e-01]
[0.00000000e+00 3.64705893e-01 8.39215782e-01]
[0.00000000e+00 3.64705893e-01 8.39215782e-01]
...
[0.00000000e+00 4.11764747e-01 8.74509950e-01]
[0.00000000e+00 4.11764747e-01 8.74509950e-01]
[0.00000000e+00 4.11764747e-01 8.74509950e-01]]
...
小结：
（1）颜色空间转换函数的返回值均为float型，如果返回的是RGB图像矩阵，则其范围符合-1～1的范围要求
（2）颜色空间转换函数的参数可以是整型图像矩阵也可以是实型，如果参数是RGB图像数组，则传入实型数组时，要确保将数据范围限制在-1～1之间（方式是除以255），更确切讲其实是0～1间，因为RGB值不可能为负；如果传入的是Lab图像数组，不管数组元素是整型还是实型，都无需关心其范围，反倒是将数据限制在-1～1间会出错。