图像抽取后的异常直方图答案

【问题标题】：Unusual histogram after image decimation图像抽取后的异常直方图
【发布时间】：2015-06-25 06:42:10
【问题描述】：

使用img_decim_arr = img_arr[::2,::2]进行简单的图像抽取后，我得到的直方图与原始图像直方图非常相似：
抽取使用：skimage.measure.block_reduce(img_arr, block_size = (2,2), func=np.mean)（2x2 块平均）这是推荐的下采样方法（在一些讨论中在 stackoverflow 上找到）产生非常有特征的直方图：
每个第二个垃圾箱都更大。我不确定这可能是由于一些混叠效应。谁能解释下采样如何影响图像（2D 信号）直方图并给出一些理论提示？

【问题讨论】：

绘制的数据是离散的吗？当为离散数据选择太小的 bin 时，您会得到令人讨厌的视觉效果。我会尝试改变垃圾箱的数量，看看是否能消除这种影响。
是的，图像色彩空间是8位灰度，因此bin的数量是256个，每个强度一个。

标签： python image-processing numpy

【解决方案1】：

问题在于np.mean 函数，因为它不舍入为整数并返回浮点数。

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]])

这可能会给您自己的逻辑带来有趣的副作用。它肯定会与 matplotlibs 直方图函数配合使用，因为具有浮点数会使它对如何放置 bin 边界有不同的看法。

看看这个：

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)

hist 函数返回的数组中的白色位实际上为零。如果你在我的玩具示例中强制四舍五入，情况会变得更糟：

hist(b.ravel().astype(np.uint8), bins=255)

给它分箱和范围可以解决问题。即使你拉近了

 hist(b.ravel().astype(np.uint8), bins=255, range=(0,255))

【讨论】：