skimage学习（2）——RGB转灰度、RGB 转 HSV、直方图匹配

1、RGB转灰度

此示例将具有 RGB 通道的图像转换为具有单个灰度通道的图像。

每个灰度像素的值计算为相应的红色、绿色和蓝色像素的加权和：

Y = 0.2125 R + 0.7154 G + 0.0721 B

CRT 荧光粉使用这些权重，因为它们比同等权重更能代表人类对红色、绿色和蓝色的感知。

import matplotlib.pyplot as plt

from skimage import data
from skimage.color import rgb2gray

original = data.astronaut()
grayscale = rgb2gray(original)
#fig是一个变量名,fig代表绘图窗口(Figure)；ax代表这个绘图窗口上的坐标系(axis)，一般会继续对ax进行操作
#其中figsize用来设置图形的大小，a为图形的宽， b为图形的高，单位为英寸。
fig, axes = plt.subplots(1, 2, figsize=(8, 4))
ax = axes.ravel()

ax[0].imshow(original)
ax[0].set_title("Original")
ax[1].imshow(grayscale, cmap=plt.cm.gray)
ax[1].set_title("Grayscale")

fig.tight_layout()#ight_layout会自动调整子图参数，使之填充整个图像区域。这是个实验特性，可能在一些情况下不工作。它仅仅检查坐标轴标签、刻度标签以及标题的部分。
plt.show()

2、RGB 转 HSV

hsv详解：https://blog.csdn.net/bamboocan/article/details/70627137
这个例子说明了如何RGB到HSV(色调，饱和度，亮度)转换可以用来促进分割过程。
通常，图像中的物体有不同的颜色(色调)和亮度，所以这些特征可以用来分隔图像的不同区域。
在RGB表示中，色相和亮度表示为R、G、B通道的线性组合，而它们对应于HSV图像的单个通道(色相和值通道)。
一个简单的分割图像，然后可以有效地执行仅仅阈值的HSV通道。

比如图片染色均一化问题，我们常常用到rgb2hsv的手段来解决，可以有效的保护好纹理、分布等特征。
这里我们看下染色体的颜色分离的一个例子：
注意，这里的例子是HED颜色空间，HSV空间是同样的效果。

from skimage import io
import matplotlib.pyplot as plt

import matplotlib.pyplot as plt

from skimage import data
from skimage.color import rgb2hsv
#首先加载RGB图像并提取Hue和Value通道:
rgb_img = data.coffee()
hsv_img = rgb2hsv(rgb_img)
io.imshow(hsv_img)
plt.show()
hue_img = hsv_img[:, :, 0]#它是对多维数据的一种处理方式，代表了前两维全选，取其中的所有0号索引。
value_img = hsv_img[:, :, 2]
value1_img = hsv_img[:, :, 1]

fig, (ax0, ax1, ax2,ax3) = plt.subplots(ncols=4, figsize=(8, 2))

ax0.imshow(rgb_img)
ax0.set_title("RGB image")
ax0.axis('off')
ax1.imshow(hue_img, cmap='hsv')
ax1.set_title("Hue channel")
ax1.axis('off')
ax2.imshow(value_img)
ax2.set_title("Value channel")
ax2.axis('off')
ax3.imshow(value1_img)
ax3.set_title("Value1 channel")
ax3.axis('off')

fig.tight_layout()
#在Hue通道上设置一个阈值，将杯子从背景中分离出来:
hue_threshold = 0.04#为什么这个通道是0.04
binary_img = hue_img > hue_threshold

fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(8, 3))

''' plt.hist 函数用于绘制直方图。函数原型： plt.hist(x, bins=None) 参数 x 是一个一维数组，bins 可以理解为矩形的个数，默认是 10。 '''
ax0.hist(hue_img.ravel(), 512)#512 为直方图条形的个数 自己设定
ax0.set_title("Histogram of the Hue channel with threshold")#Hue通道带阈值的直方图
#matplotlib库的axiss模块中的Axes.axvline()函数用于在轴上添加一条垂直线。
ax0.axvline(x=hue_threshold, color='r', linestyle='dashed', linewidth=2)
#matplotlib库的axiss模块中的Axes.set_xbound()函数用于设置x轴的上下数值边界。
ax0.set_xbound(0, 0.12)
ax1.imshow(binary_img)
ax1.set_title("Hue-thresholded image")
ax1.axis('off')

fig.tight_layout()
#在Value通道上执行一个额外的阈值，以部分去除杯子的阴影:
fig, ax0 = plt.subplots(figsize=(4, 3))

value_threshold = 0.10
binary_img = (hue_img > hue_threshold) | (value_img < value_threshold)

ax0.imshow(binary_img)
ax0.set_title("Hue and value thresholded image")
ax0.axis('off')

fig.tight_layout()
plt.show()

3、直方图匹配

这个例子展示了直方图匹配的特性。它操作输入图像的像素，使其直方图与参考图像的直方图匹配。
如果图像有多个通道，只要输入图像和参考图像中的通道数量相等，则对每个通道独立进行匹配。
直方图匹配可以用作图像处理的轻量级归一化，例如特征匹配，特别是在图像从不同来源或不同条件(即光照)拍摄的情况下。

import matplotlib.pyplot as plt

from skimage import data
from skimage import exposure
from skimage.exposure import match_histograms

reference = data.coffee()
image = data.chelsea()

matched = match_histograms(image, reference, channel_axis=-1)
''' '''
fig, (ax1, ax2, ax3) = plt.subplots(nrows=1, ncols=3, figsize=(8, 3),
                                    sharex=True, sharey=True)
for aa in (ax1, ax2, ax3):
    aa.set_axis_off()

ax1.imshow(image)
ax1.set_title('Source')
ax2.imshow(reference)
ax2.set_title('Reference')
ax3.imshow(matched)
ax3.set_title('Matched')

plt.tight_layout()
plt.show()
#为了说明直方图匹配的效果，我们绘制每个RGB通道的直方图和累积直方图。
# 很明显，每个通道的匹配图像与参考图像具有相同的累积直方图。
fig, axes = plt.subplots(nrows=3, ncols=3, figsize=(8, 8))

#enumerate使得多了一个索引，同时还能读取到元素
for i, img in enumerate((image, reference, matched)):
    for c, c_color in enumerate(('red', 'green', 'blue')):
        img_hist, bins = exposure.histogram(img[..., c], source_range='dtype')
        #各组数据除以数据中的最大值就是归一化处理。处理后最大值为1，其余的值均为小于 1 的数。
        #直方图中bin的含义：计算颜色直方图需要将颜色空间划分为若干小的颜色区间，即直方图的bin，通过计算颜色在每个小区间内德像素得到颜色直方图，bin越多，直方图对颜色的分辨率越强，但增加了计算机的负担。即（上图所分10个竖条区域，每个竖条区域称为一个bin）
        axes[c, i].plot(bin, img_hist / img_hist.max())

        img_cdf, bins = exposure.cumulative_distribution(img[..., c])
        axes[c, i].plot(bins, img_cdf)
        axes[c, 0].set_ylabel(c_color)
        print(c,i)
axes[0, 0].set_title('Source')
axes[0, 1].set_title('Reference')
axes[0, 2].set_title('Matched')

plt.tight_layout()
plt.show()

注解：
1、返回图像的直方图

cucim.skimage.exposure.histogram(image, nbins=256, source_range='image', normalize=False)

返回图像的直方图,与 numpy.histogram 不同，此函数返回 bin 的中心，并且不会重新组合整数数组。
对于整数数组，每个整数值都有自己的 bin，这提高了速度和intensity-resolution。
在展平图像上计算直方图：对于彩色图像，应在每个通道上单独使用该函数以获得每个颜色通道的直方图。
参数：
image：数组,输入图像。
nbins：整数，可选,用于计算直方图的 bin 数量。对于整数数组，此值将被忽略。
source_range：字符串，可选,‘image’(默认)确定输入图像的范围。 ‘dtype’ 确定该数据类型图像的预期范围。
normalize：布尔型，可选,如果为 True，则通过其值的总和对直方图进行归一化。
返回值：
hist：数组，直方图的值。
bin_centers：数组，bin中心的值。

2、返回给定图像的累积分布函数 (cdf)。

cucim.skimage.exposure.cumulative_distribution(image, nbins=256)

参数：
image：数组,图像阵列。
nbins：整数，可选,图像直方图的 bin 数量。
返回：
img_cdf：数组,累积分布函数的值。
bin_centers：数组,箱子的中心。

3、直方图匹配(histogram matching)
含义：使源图像的累积直方图和目标图像一致
from skimage.exposure import match_histograms
参数1：源图像；参数2：目标图像；参数3：多通道匹配

matched = match_histograms(image, reference, multichannel=True)