После прореживания простых изображений с использованием: img_decim_arr = img_arr[::2,::2]
, я получил гистограмму, очень похожую на исходную гистограмму изображения:
Прореживание с помощью: skimage.measure.block_reduce(img_arr, block_size = (2,2), func=np.mean)
(2x2 блока усреднения), который рекомендуется методом субдискретизации (находятся на StackOverflow в некоторое обсуждение) дает очень характерную гистограмму:
Каждый второй бит больше. Я не уверен, возможно, это связано с некоторым эффектом сглаживания. Может ли кто-нибудь объяснить и дать некоторые теоретические намеки о том, как downsampling влияет на гистограмму изображения (2D-сигнал)?Необычные гистограммы после прореживания изображения
5
A
ответ
1
Проблема заключается в функции np.mean
, потому что она не округляет до целых чисел и возвращает float.
import numpy as np
import skimage.measure
a = (10 * np.random.randn(10,10) + 127).astype(np.uint8)
a
Out[4]:
array([[121, 124, 139, 129, 130, 114, 127, 96, 114, 135],
[127, 132, 102, 142, 119, 107, 138, 130, 141, 132],
[113, 132, 132, 118, 121, 120, 142, 115, 124, 128],
[127, 121, 129, 129, 121, 119, 126, 113, 128, 116],
[144, 131, 123, 131, 130, 137, 140, 142, 127, 128],
[127, 126, 124, 115, 127, 125, 122, 126, 147, 132],
[118, 119, 117, 117, 133, 149, 122, 120, 116, 138],
[147, 147, 127, 117, 123, 123, 136, 121, 139, 129],
[142, 129, 113, 111, 130, 116, 137, 127, 106, 148],
[132, 141, 141, 142, 119, 132, 126, 115, 131, 122]], dtype=uint8)
b = skimage.measure.block_reduce(a, block_size = (2,2), func=np.mean)
b
Out[6]:
array([[ 126. , 128. , 117.5 , 122.75, 130.5 ],
[ 123.25, 127. , 120.25, 124. , 124. ],
[ 132. , 123.25, 129.75, 132.5 , 133.5 ],
[ 132.75, 119.5 , 132. , 124.75, 130.5 ],
[ 136. , 126.75, 124.25, 126.25, 126.75]])
Это может дать вам интересные побочные эффекты в вашей собственной логике. Он определенно завинчивается с функцией гистограммы matplotlibs, потому что, имея поплавки, он думает по-другому о том, как разместить границы бункера.
Проверьте это:
a = (10 * np.random.randn(200,200) + 127).astype(np.uint8)
b = skimage.measure.block_reduce(a, block_size = (2,2), func=np.mean)
hist(b.ravel(), bins=255)
белые биты фактически ноль в массиве, что hist
функция возвращает. Это становится еще хуже, если вы заставляете округление в моем игрушечном например:
hist(b.ravel().astype(np.uint8), bins=255)
Придав ему бункера и диапазон решает эту проблему. Даже если вы увеличите близко
hist(b.ravel().astype(np.uint8), bins=255, range=(0,255))
ли построено дискретные данные? Вы можете получить неприятные визуальные эффекты при выборе слишком маленьких бункеров для дискретных данных. Я попробую изменить количество ящиков и посмотреть, удалит ли этот эффект. – cel
Да, цветное пространство изображения 8-бит в оттенках серого, таким образом, количество ящиков 256, по одному для каждой интенсивности. – MarcinBurz