skimage学习（3）——Gamma 和 log对比度调整、直方图均衡、为灰度图像着色

1、Gamma 和 log对比度调整

本示例通过对输入图像进行伽马和对数校正来调整图像对比度。

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

from skimage import data, img_as_float
from skimage import exposure

matplotlib.rcParams['font.size'] = 8


def plot_img_and_hist(image, axes, bins=256):
    #绘制图像及其直方图和累积直方图。
    image = img_as_float(image)#转换为浮点型
    ax_img, ax_hist = axes # axes为2行3列图块，第一行为ax_img ,第二行为ax_hist
    ax_cdf = ax_hist.twinx() #twinx()函数表示共享x轴  twiny()表示共享y轴  共享表示的就是第二行所有坐标系的x轴使用同一刻度线

    # Display image
    ax_img.imshow(image, cmap=plt.cm.gray)
    ax_img.set_axis_off()
    '''
     Cmap是MATLAB里面用来设定和获取当前色图的函数，可以设置如下色图：
    hot 从黑平滑过度到红、橙色和黄色的背景色，然后到白色。
    cool 包含青绿色和品红色的阴影色。从青绿色平滑变化到品红色。
    gray 返回线性灰度色图。
    bone 具有较高的蓝色成分的灰度色图。该色图用于对灰度图添加电子的视图。
    white 全白的单色色图。 
    spring 包含品红和黄的阴影颜色。 
    summer 包含绿和黄的阴影颜色。
    autumn 从红色平滑变化到橙色，然后到黄色。 
    winter 包含蓝和绿的阴影色。
    '''
    # Display histogram
    ax_hist.hist(image.ravel(), bins=bins, histtype='step', color='black')
    # bins 为直方图的柱数 image.ravel() 将矩阵拉伸成一维数组
    # histtype: 直方图类型，‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’
    ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))
    # 设置y轴
    # sytle： sci或scientific 科学计数法   plain：自然数
    # sclimits (m, n)  轴的值范围 10的m次方 to 10的n次方 （0,0）表示无限制
    ax_hist.set_xlabel('Pixel intensity')##设置 x轴标签：像素强度
    ax_hist.set_xlim(0, 1)#设置x轴范围0到1
    ax_hist.set_yticks([])
    # set_xticks 与 set_yticks 方法可以显示地设置标号的位置
    # ax.set_xticks([0.25, 0.5, 0.75])
    # ax.set_xticklabels(['a', 'b', 'c'], fontsize=18)

    # Display cumulative distribution
    # 返回给定图像的累积分布函数（cdf）  mg_cdf：数组累积分布函数的值。bin_centers：数组中心。
    img_cdf, bins = exposure.cumulative_distribution(image, bins)
    ax_cdf.plot(bins, img_cdf, 'r')
    ax_cdf.set_yticks([])

    return ax_img, ax_hist, ax_cdf


# Load an example image
img = data.moon()

# Gamma
gamma_corrected = exposure.adjust_gamma(img, 2)
'''
图像亮度与对比度的调整，是放在skimage包的exposure模块里面
gamma调整
原理：I=Ig
对原图像的像素，进行幂运算，得到新的像素值。公式中的g就是gamma值。
如果gamma>1, 新图像比原图像暗
如果gamma<1,新图像比原图像亮
函数格式为：skimage.exposure.adjust_gamma(image, gamma=1)
gamma参数默认为1，原像不发生变化 。
伽马变换对于图像对比度偏低，并且整体亮度值偏高（对于于相机过曝）情况下的图像增强效果明显。
'''

# 对数
logarithmic_corrected = exposure.adjust_log(img, 1)
'''
log 函数的表达式:
y=alog(1+x), a 是一个放大系数，x 同样是输入的像素值，取值范围为 [0−1], y 是输出的像素值。
对数变换对于整体对比度偏低并且灰度值偏低的图像增强效果较好。
'''

# 显示结果
fig = plt.figure(figsize=(8, 5))
axes = np.zeros((2, 3), dtype=np.object)#axes两行三列值为0
axes[0, 0] = plt.subplot(2, 3, 1)
axes[0, 1] = plt.subplot(2, 3, 2, sharex=axes[0, 0], sharey=axes[0, 0])
axes[0, 2] = plt.subplot(2, 3, 3, sharex=axes[0, 0], sharey=axes[0, 0])
axes[1, 0] = plt.subplot(2, 3, 4)
axes[1, 1] = plt.subplot(2, 3, 5)
axes[1, 2] = plt.subplot(2, 3, 6)

ax_img, ax_hist, ax_cdf = plot_img_and_hist(img, axes[:, 0])#画布的第一列
ax_img.set_title('Low contrast image')#低对比度图像

y_min, y_max = ax_hist.get_ylim()
ax_hist.set_ylabel('Number of pixels')#像素的数量
ax_hist.set_yticks(np.linspace(0, y_max, 5))#y轴5等分，标记等分数值

ax_img, ax_hist, ax_cdf = plot_img_and_hist(gamma_corrected, axes[:, 1])
ax_img.set_title('Gamma correction')#伽马修正

ax_img, ax_hist, ax_cdf = plot_img_and_hist(logarithmic_corrected, axes[:, 2])
ax_img.set_title('Logarithmic correction')#对数修正

ax_cdf.set_ylabel('Fraction of total intensity')#总强度百分数
ax_cdf.set_yticks(np.linspace(0, 1, 5))#设置y轴标签

# prevent overlap of y-axis labels
fig.tight_layout()
plt.show()

2、直方图均衡

此示例使用称为直方图均衡的方法增强了低对比度的图像，该方法 在图像1中“展开最频繁的强度值” 。均衡后的图像具有大致线性的累积分布函数。

虽然直方图均衡具有不需要参数的优点，但有时会产生看起来不自然的图像。另一种方法是 对比度拉伸，其中图像被重新缩放以包括落在第 2 和第 98 个百分位数内的所有强度。

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

from skimage import data, img_as_float
from skimage import exposure


matplotlib.rcParams['font.size'] = 8


def plot_img_and_hist(image, axes, bins=256):
    """绘制图像及其直方图和累积直方图。

    """
    image = img_as_float(image)
    ax_img, ax_hist = axes
    ax_cdf = ax_hist.twinx()

    # 展示图片
    ax_img.imshow(image, cmap=plt.cm.gray)
    ax_img.set_axis_off()

    # 显示柱状图
    ax_hist.hist(image.ravel(), bins=bins, histtype='step', color='black')
    ax_hist.ticklabel_format(axis='y', style='scientific', scilimits=(0, 0))
    ax_hist.set_xlabel('Pixel intensity')
    ax_hist.set_xlim(0, 1)
    ax_hist.set_yticks([])

    # 显示累积分布
    img_cdf, bins = exposure.cumulative_distribution(image, bins)
    ax_cdf.plot(bins, img_cdf, 'r')
    ax_cdf.set_yticks([])

    return ax_img, ax_hist, ax_cdf


# 加载一个示例图片
img = data.moon()

# 对比度拉伸，对比度拉伸是图像增强的一种方法，也属于灰度变换操作
p2, p98 = np.percentile(img, (2, 98))#要计算的（2，98）数序列。计算沿指定轴的数据的第q个百分位数
img_rescale = exposure.rescale_intensity(img, in_range=(p2, p98))#原始像素值不想被拉伸，只是等比例缩小
'''
numpy.percentile:https://www.cjavapy.com/article/1087/
exposure.rescale_intensity:https://blog.csdn.net/PresleyR/article/details/116200390
'''

# 均衡
img_eq = exposure.equalize_hist(img)

# 自适应均衡
img_adapteq = exposure.equalize_adapthist(img, clip_limit=0.03)

# 显示结果
fig = plt.figure(figsize=(8, 5))
axes = np.zeros((2, 4), dtype=np.object)
axes[0, 0] = fig.add_subplot(2, 4, 1)
for i in range(1, 4):
    axes[0, i] = fig.add_subplot(2, 4, 1+i, sharex=axes[0,0], sharey=axes[0,0])
for i in range(0, 4):
    axes[1, i] = fig.add_subplot(2, 4, 5+i)

ax_img, ax_hist, ax_cdf = plot_img_and_hist(img, axes[:, 0])
ax_img.set_title('Low contrast image')

y_min, y_max = ax_hist.get_ylim()
ax_hist.set_ylabel('Number of pixels')
ax_hist.set_yticks(np.linspace(0, y_max, 5))

ax_img, ax_hist, ax_cdf = plot_img_and_hist(img_rescale, axes[:, 1])
ax_img.set_title('Contrast stretching')#对比度拉伸

ax_img, ax_hist, ax_cdf = plot_img_and_hist(img_eq, axes[:, 2])
ax_img.set_title('Histogram equalization')#直方图均衡化

ax_img, ax_hist, ax_cdf = plot_img_and_hist(img_adapteq, axes[:, 3])
ax_img.set_title('Adaptive equalization')#自适应均衡

ax_cdf.set_ylabel('Fraction of total intensity')#总强度的分数
ax_cdf.set_yticks(np.linspace(0, 1, 5))

# 防止y轴标签重叠
fig.tight_layout()
plt.show()

3、为灰度图像着色

用某种颜色人为地给图像着色是很有用的，既可以突出图像的特定区域，也可以使灰度图像生动起来。
这个例子通过缩放RGB值和在HSV颜色空间中调整颜色来演示图像着色。
在2D中，彩色图像通常用2D数组的RGB-3层表示，这3层表示图像的®ed、(G) green和(B)lue通道。
获得着色图像的最简单方法是将每个RGB通道设置为通过每个通道的不同乘数缩放的灰度图像。

'''
例如，将绿色和蓝色通道乘以0只会留下红色通道并产生明亮的红色图像。
同样，将蓝色通道归零，只留下红色和绿色通道，它们结合起来就形成黄色通道。
'''
import matplotlib.pyplot as plt
from skimage import data
from skimage import color
from skimage import img_as_float

grayscale_image = img_as_float(data.camera()[::2, ::2])#浮点型灰度图
image = color.gray2rgb(grayscale_image)#创建灰度图像的RGB表示。

red_multiplier = [1, 0, 0]
yellow_multiplier = [1, 1, 0]

fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(8, 4),
                               sharex=True, sharey=True)
ax1.imshow(red_multiplier * image)#将绿色和蓝色通道乘以0只会留下红色通道并产生明亮的红色图像
ax2.imshow(yellow_multiplier * image)#将蓝色通道归零，只留下红色和绿色通道，它们结合起来就形成黄色通道

'''
在许多情况下，处理RGB值可能并不理想。正因为如此，有许多其他颜色空间可以用来表示彩色图像。
一个流行的颜色空间叫做HSV，它代表色相(~颜色)、饱和度(~色彩度)和值(~亮度)。
例如，一种颜色(色调)可能是绿色，但它的饱和度是绿色的强度——橄榄色在低端，霓虹灯在高端。
在某些实现中，HSV中的色调从0到360，因为色调环绕在一个圆圈中。
然而，在scikit-image中，色调是从0到1的浮动值，因此色调、饱和度和值共享相同的尺度。

下面，我们在色调中绘制了一个线性梯度，饱和度和值一路上升:
'''
import numpy as np

hue_gradient = np.linspace(0, 1)#再0、1之间生成长度为50的数组
hsv = np.ones(shape=(1, len(hue_gradient), 3), dtype=float)#返回长为1，宽为50，高为3的数组
hsv[:, :, 0] = hue_gradient

all_hues = color.hsv2rgb(hsv)#创建灰度图像的RGB表示

fig, ax = plt.subplots(figsize=(5, 2))
# 设置图像范围，使色调从0到1，图像是一个很好的长宽比。
ax.imshow(all_hues, extent=(0 - 0.5 / len(hue_gradient),
                            1 + 0.5 / len(hue_gradient), 0, 0.2))
ax.set_axis_off()

'''
创建一个小实用函数来获取 RGB 图像，并且：
1. 将 RGB 图像转换为 HSV 
2. 设置色调和饱和度 
3. 将 HSV 图像转换回 RGB
'''
def colorize(image, hue, saturation=1):
    """ 将给定色调的颜色添加到RGB图像中。
默认情况下，饱和度设置为1，以便颜色弹出!
    """
    hsv = color.rgb2hsv(image)
    hsv[:, :, 1] = saturation#饱和度（S）
    hsv[:, :, 0] = hue#色调（H）
    return color.hsv2rgb(hsv)

'''
请注意，我们需要提高饱和度；饱和度为零的图像是灰度的，所以我们需要一个非零值才能真正看到我们设置的颜色。

使用上面的函数，我们绘制了六个具有线性渐变色调和非零饱和度的图像：
'''
hue_rotations = np.linspace(0, 1, 7)#返回长度为6，在0、1之间均分的数组

fig, axes = plt.subplots(nrows=2, ncols=3, sharex=True, sharey=True)

for ax, hue in zip(axes.flat, hue_rotations):
    # Turn down the saturation to give it that vintage look.
    tinted_image = colorize(image, hue, saturation=0.3)#饱和度为0.3，hue=hue_rotations
    ax.imshow(tinted_image, vmin=0, vmax=1)
    ax.set_axis_off()
fig.tight_layout()

'''
将此着色效果与 numpy 切片和精美索引相结合，以选择性地为您的图像着色。
在下面的示例中，我们使用切片设置一些矩形的色调，并缩放通过阈值处理找到的一些像素的 RGB 值。
在实践中，您可能希望根据分割结果或斑点检测方法定义一个着色区域。
'''
from skimage.filters import rank

# 在前两个维度上定义为切片的正方形区域。
top_left = (slice(25),) * 2#slice()函数实现切片对象，x轴和y轴
bottom_right = (slice(-25, None),) * 2
print("top_left:",top_left)
print("bottom_right:",bottom_right)
#top_left: (slice(None, 25, None), slice(None, 25, None))
#bottom_right: (slice(-25, None, None), slice(-25, None, None))
sliced_image = image.copy()
sliced_image[top_left] = colorize(image[top_left], 0.82, saturation=0.5)#切片染色
sliced_image[bottom_right] = colorize(image[bottom_right], 0.5, saturation=0.5)

# 创建一个蒙版选择区域与有趣的纹理。
noisy = rank.entropy(grayscale_image, np.ones((9, 9)))
'''
skimage.filters.rank.entropy(image，footprint，out = None，mask = None，shift_x = False，shift_y = False，shift_z = False）
熵使用以 2 为底的对数计算，即滤波器返回对局部灰度分布进行编码所需的最小位数
参数：
1、image([P,] M, N) ndarray (uint8, uint16)
输入图像。
2、footprint:ndarray
邻域表示为 1 和 0 的 ndarray。
3、out ([P,] M, N) 数组（与输入相同的 dtype）
如果没有，则分配一个新数组。
4、mask:ndarray（整数或浮点数），可选
定义包含在本地邻域中的图像的 (>0) 区域的掩码数组。如果没有，则使用完整的图像（默认）。
5、shift_x, shift_y, shift_z int
添加到封装中心点的偏移量。Shift 受限于封装尺寸（中心必须在给定封装内）。
返回值：
out ([P,] M, N) ndarray (float)
输出图像。
'''
textured_regions = noisy > 4.25#筛选，和text_3的用法相似
'''
注意在这里使用colorize有点困难，因为使用rgb2hsv
期望一个RGB图像(高度x宽度x通道)，但变址的索引返回
一组RGB像素(# pixels x channel)。
'''
masked_image = image.copy()
masked_image[textured_regions, :] *= red_multiplier
#我猜，这边的意思应该是按照一定的规律把灰度图像的部分范围制红
fig, (ax1, ax2) = plt.subplots(ncols=2, nrows=1, figsize=(8, 4),
                               sharex=True, sharey=True)
ax1.imshow(sliced_image)
ax2.imshow(masked_image)

plt.show()