将 float64 类型的 np.array 转换为 uint8 类型的缩放值

Question

我有一个特定的 np.array data 代表一个特定的灰度图像。 我需要使用 SimpleBlobDetector() 不幸的是只接受 8 位图像，所以我需要转换这个图像，显然有质量损失。

我已经试过了：

import numpy as np
import cv2
[...]
data = data / data.max() #normalizes data in range 0 - 255
data = 255 * data
img = data.astype(np.uint8)
cv2.imshow("Window", img)

但 cv2.imshow 并没有按预期给出图像，而是出现奇怪的失真......

最后，我只需要将 np.float64 转换为 np.uint8 缩放所有值并截断其余值，例如。 65535 变成 255，65534 变成 254 等等....有什么帮助吗？

谢谢。

Answer 1

标准化图像的更好方法是获取每个值并除以数据类型所经历的最大值。这可确保图像中动态范围较小的图像保持较小，并且不会无意中归一化以使其变为灰色。例如，如果您的图像具有[0-2] 的动态范围，那么现在的代码会将其缩放为具有[0, 128, 255] 的强度。您希望这些在转换为 np.uint8 后保持较小。

因此，将每个值除以图像类型可能的最大值，而不是实际图像本身。然后，您将其缩放 255 以生成标准化结果。使用numpy.iinfo 并为其提供图像的类型（dtype），您将获得该类型的信息结构。然后，您将从此结构中访问 max 字段以确定最大值。

因此，根据上述情况，对您的代码进行以下修改：

import numpy as np
import cv2
[...]
info = np.iinfo(data.dtype) # Get the information of the incoming image type
data = data.astype(np.float64) / info.max # normalize the data to 0 - 1
data = 255 * data # Now scale by 255
img = data.astype(np.uint8)
cv2.imshow("Window", img)

请注意，我已将图像另外转换为np.float64，以防传入的数据类型不是这样，并在进行除法时保持浮点精度。

Answer 2

考虑到您使用的是OpenCV，数据类型之间转换的最佳方式是使用normalize函数。

img_n = cv2.normalize(src=img, dst=None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

但是，如果你不想使用 OpenCV，你可以在 numpy 中做到这一点

def convert(img, target_type_min, target_type_max, target_type):
    imin = img.min()
    imax = img.max()

    a = (target_type_max - target_type_min) / (imax - imin)
    b = target_type_max - a * imax
    new_img = (a * img + b).astype(target_type)
    return new_img

然后像这样使用它

imgu8 = convert(img16u, 0, 255, np.uint8)

这是基于我在此解决方案下的 cmets 中的交叉验证板上找到的答案https://stats.stackexchange.com/a/70808/277040

Answer 3

你可以使用skimage.img_as_ubyte(yourdata) 它会让你的numpy数组范围从0->255

from skimage import img_as_ubyte

img = img_as_ubyte(data)
cv2.imshow("Window", img)