小編寫這篇文章的一個(gè)主要目的，主要是來給大家詳細(xì)介紹關(guān)于python數(shù)字圖像的一些事宜，包括數(shù)字圖像處理的一些流程類的問題。包括圖像處理的對(duì)比度，圖像處理的亮度，這之間的一個(gè)相關(guān)調(diào)整，具體的實(shí)例，下面就給大家詳細(xì)解答下。

　　skimage包的exposure模塊

　　圖像明亮度與相互對(duì)比之間的調(diào)整，是放在skimage包的exposure模塊里面

　　1、gamma調(diào)整

　　對(duì)原圖像的像素，進(jìn)行冪運(yùn)算，得到新的像素值。公式中的g就是gamma值。

　　如果gamma>1,新圖像比原圖像暗

　　如果gamma<1,新圖像比原圖像亮

　　函數(shù)格式為：skimage.exposure.adjust_gamma(image,gamma=1)

　　gamma參數(shù)默認(rèn)為1，原像不發(fā)生變化。

　　from skimage import data,exposure,img_as_float
　　import matplotlib.pyplot as plt
　　image=img_as_float(data.moon())
　　gam1=exposure.adjust_gamma(image,2)#調(diào)暗
　　gam2=exposure.adjust_gamma(image,0.5)#調(diào)亮
　　plt.figure('adjust_gamma',figsize=(8,8))
　　plt.subplot(131)
　　plt.title('origin image')
　　plt.imshow(image,plt.cm.gray)
　　plt.axis('off')
　　plt.subplot(132)
　　plt.title('gamma=2')
　　plt.imshow(gam1,plt.cm.gray)
　　plt.axis('off')
　　plt.subplot(133)
　　plt.title('gamma=0.5')
　　plt.imshow(gam2,plt.cm.gray)
　　plt.axis('off')
　　plt.show()

　　2、log對(duì)數(shù)調(diào)整

　　這個(gè)剛好和gamma相反

　　原理：I=log(I)

　　from skimage import data,exposure,img_as_float
　　import matplotlib.pyplot as plt
　　image=img_as_float(data.moon())
　　gam1=exposure.adjust_log(image)#對(duì)數(shù)調(diào)整
　　plt.figure('adjust_gamma',figsize=(8,8))
　　plt.subplot(121)
　　plt.title('origin image')
　　plt.imshow(image,plt.cm.gray)
　　plt.axis('off')
　　plt.subplot(122)
　　plt.title('log')
　　plt.imshow(gam1,plt.cm.gray)
　　plt.axis('off')
　　plt.show()

    　3、判斷圖像對(duì)比度是否偏低

　　函數(shù)：is_low_contrast(img)

　　返回一個(gè)bool型值

　　from skimage import data,exposure
　　image=data.moon()
　　result=exposure.is_low_contrast(image)
　　print(result)
　　輸出為False

　　4、調(diào)整強(qiáng)度

　　函數(shù)：

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

　　in_range表示輸入圖片的強(qiáng)度范圍，默認(rèn)為'image',表示用圖像的最大/最小像素值作為范圍

　　out_range表示輸出圖片的強(qiáng)度范圍，默認(rèn)為'dype',表示用圖像的類型的最大/最小值作為范圍

　　默認(rèn)情況下，輸入圖片的[min,max]范圍被拉伸到[dtype.min,dtype.max]，如果

　　dtype=uint8,那么dtype.min=0,dtype.max=255

　　import numpy as np
　　from skimage import exposure
　　image=np.array([51,102,153],dtype=np.uint8)
　　mat=exposure.rescale_intensity(image)
　　print(mat)

　　輸出為[0 127 255]

　　即像素最小值由51變?yōu)?，最大值由153變?yōu)?55，整體進(jìn)行了拉伸，但是數(shù)據(jù)類型沒有變，還是uint8

　　前面我們講過，可以通過img_as_float()函數(shù)將unit8類型轉(zhuǎn)換為float型，實(shí)際上還有更簡(jiǎn)單的方法，就是乘以1.0

　　import numpy as np
　　image=np.array([51,102,153],dtype=np.uint8)
　　print(image*1.0)
　　即由[51,102,153]變成了[51.102.153.]
　　而float類型的范圍是[0,1]，因此對(duì)float進(jìn)行rescale_intensity調(diào)整后，范圍變?yōu)閇0,1],而不是[0,255]
　　import numpy as np
　　from skimage import exposure
　　image=np.array([51,102,153],dtype=np.uint8)
　　tmp=image*1.0
　　mat=exposure.rescale_intensity(tmp)
　　print(mat)

　　結(jié)果為[0. 0.5 1.]

　　如果原始像素值不想被拉伸，只是等比例縮小，就使用in_range參數(shù)，如：

　　import numpy as np
　　from skimage import exposure
　　image=np.array([51,102,153],dtype=np.uint8)
　　tmp=image*1.0
　　mat=exposure.rescale_intensity(tmp,in_range=(0,255))
　　print(mat)

　　輸出為：[0.2 0.4 0.6]，即原像素值除以255

　　如果參數(shù)in_range的[main,max]范圍要比原始像素值的范圍[min,max]大或者小，那就進(jìn)行裁剪，如：

　　mat=exposure.rescale_intensity(tmp,in_range=(0,102))

　　print(mat)

　　輸出[0.5 1.1.]，即原像素值除以102，超出1的變?yōu)?

　　如果一個(gè)數(shù)組里面有負(fù)數(shù)，現(xiàn)在想調(diào)整到正數(shù)，就使用out_range參數(shù)。如：

　　import numpy as np
　　from skimage import exposure
　　image=np.array([-10,0,10],dtype=np.int8)
　　mat=exposure.rescale_intensity(image,out_range=(0,127))
　　print(mat)

　　輸出[0 63 127]

　　綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家?guī)韼椭?/p>