scikit-image库--灰度图像着色（六）

浅浅的花香味﹌ 2021-10-18 13:16 383阅读 0赞

#### 灰度图像着色 ####

用某种颜色对图像进行人工着色很有用，可以突出显示图像的特定区域，也可以只是激活灰度图像。本例通过缩放RGB值和调整HSV颜色空间中的颜色来演示图像着色。

在二维图像中，彩色图像通常表示为二维阵列的RGB-3层，其中3层表示图像的（R）ED，（G）REEN和（B）LUE通道。获取着色图像的最简单方法是将每个RGB通道设置为每个通道使用不同的乘数缩放的灰度图像。例如，将绿色通道和蓝色通道相乘0只留下红色通道，并生成明亮的红色图像。同样地，将蓝色通道归零只留下红色和绿色通道，它们组合成黄色。

import matplotlib.pyplot as plt
    from skimage import data
    from skimage import color
    from skimage import img_as_float
    %matplotlib inline
    grayscale_image = img_as_float(data.camera()[::2, ::2])  # 表示[起始位置：终止位置：间隔距离] ，[::2, ::2]即行列缩小一半
    image = color.gray2rgb(grayscale_image) #灰度单通道转为三通道
    
    red_multiplier = [1, 0, 0] #[r,g,b] 
    yellow_multiplier = [1, 1, 0]
    
    fig, (ax1, ax2,ax3) = plt.subplots(ncols=3, figsize=(18,5),
                                   sharex=True, sharey=True)
    ax1.imshow(red_multiplier * image)
    ax2.imshow(yellow_multiplier * image)
    ax3.imshow(grayscale_image,'gray')
    #ax4.imshow(image)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]

在许多情况下，处理RGB值可能不理想。因此，有许多其他颜色空间可以用来表示颜色图像。一种流行的颜色空间称为hsv，它表示色调（颜色）、饱和度（色彩）和值（~亮度）。例如，一种颜色（色调）可能是绿色，但它的饱和度是绿色的强度——橄榄色在低端，霓虹色在高端。

在一些实现中，hsv中的色调从0变为360，因为色调环绕在一个圆中。然而，在Scikit-image中，色调是从0到1的浮点值，因此色调、饱和度和值都具有相同的比例。

下面，在色调中绘制一个线性渐变，饱和度和值一直向上：

import numpy as np
    
    hue_gradient = np.linspace(0, 1)
    print(hue_gradient)
    hsv = np.ones(shape=(1, len(hue_gradient), 3), dtype=float)
    print(hsv[:, :, 0])
    hsv[:, :, 0] = hue_gradient
    
    all_hues = color.hsv2rgb(hsv)
    
    fig, ax = plt.subplots(figsize=(15, 2))
    # Set image extent so hues go from 0 to 1 and the image is a nice aspect ratio.
    ax.imshow(all_hues, extent=(0, 1, 0, 0.2))
    ax.set_axis_off()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]  
注意最左边和最右边的颜色是如何相同的。这反映了这样一个事实：色彩像色轮一样环绕着

#### 1。将RGB图像转换为hsv 2。设置色调和饱和度3。将HSV图像转换回RGB ####

def colorize(image, hue, saturation=1):
        """ Add color of the given hue to an RGB image. By default, set the saturation to 1 so that the colors pop! """
        hsv = color.rgb2hsv(image)
        hsv[:, :, 1] = saturation
        hsv[:, :, 0] = hue
        return color.hsv2rgb(hsv)
    hue_rotations = np.linspace(0, 1, 6)
    
    
    fig, axes = plt.subplots(nrows=2, ncols=3,figsize=(16,9),sharex=True, sharey=True)
    
    for ax, hue in zip(axes.flat, hue_rotations):
        print(ax,hue)
        # Turn down the saturation to give it that vintage look.
        tinted_image = colorize(image, hue, saturation=0.3)
        ax.imshow(tinted_image, vmin=0, vmax=1)
        ax.set_axis_off()
    fig.tight_layout()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]

您可以将这种着色效果与numpy切片和花式索引相结合，选择性地着色您的图像。在下面的示例中，使用切片设置一些矩形的色调，并缩放通过阈值找到的某些像素的RGB值。实际上，您可能希望根据分割结果或斑点检测方法定义着色区域。

from skimage.filters import rank
    
    # Square regions defined as slices over the first two dimensions.
    top_left = (slice(100),) * 2    # 设置截取100个元素的切片，(slice(None, 100, None), slice(None, 100, None)) 文末参考一
    bottom_right = (slice(-100, None),) * 2
    print(top_left,1, bottom_right)
    sliced_image = image.copy()
    
    
    sliced_image[top_left] = colorize(image[top_left], 0.82, saturation=0.5)
    sliced_image[bottom_right] = colorize(image[bottom_right], 0.5, saturation=0.5)
    
    # Create a mask selecting regions with interesting texture.
    noisy = rank.entropy(grayscale_image, np.ones((9, 9)))
    #print(noisy)
    textured_regions = noisy >4  #noisy为数组ndarry类型。此处判断生成bool值的ndarry
    print(textured_regions[:2,:3],type(textured_regions))
    # Note that using `colorize` here is a bit more difficult, since `rgb2hsv`
    # expects an RGB image (height x width x channel), but fancy-indexing returns
    # a set of RGB pixels (# pixels x channel).
    masked_image = image.copy()
    print(masked_image.shape)
    masked_image[textured_regions, :] *=red_multiplier  #参考文末二
    
    
    
    fig, (ax1, ax2) = plt.subplots(ncols=2, nrows=1, figsize=(8, 4),
                                   sharex=True, sharey=True)
    ax1.imshow(sliced_image)
    ax2.imshow(masked_image)
    
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]

#### 参考一： ####

以下实例展示了 slice 的使用方法：

>>>myslice = slice(5)    # 设置截取5个元素的切片
    >>> myslice
    slice(None, 5, None)
    >>> arr = range(10)
    >>> arr
    [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
    >>> arr[myslice]         # 截取 5 个元素
    [0, 1, 2, 3, 4]
    >>>

#### 参考二： ####

a=np.array([False ,True, True] )  #a的shape为 (3,) 
    b=np.array([[[2,3,4],[5,6,7],[8,9,10]],   #b为(3, 3, 3)
                [[12,13,14],[15,16,17],[18,19,20]],
                [[1,2,3],[4,5,6],[7,8,9]]]) #1,1,3
    print(b[a,:])   #取出b中对应 a中为TRUE 的行
    >>>[[[12 13 14]
      [15 16 17]
      [18 19 20]]
    
     [[ 1  2  3]
      [ 4  5  6]
      [ 7  8  9]]]
      
    print(b[a,:2])  #取出b中对应 a中为TRUE 的行后，再取每行中前2列
    >>>[[[12 13 14]
      [15 16 17]]
    
     [[ 1  2  3]
      [ 4  5  6]]]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]: /images/20211018/4293629849d84fb580c687a3d1db6129.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]: /images/20211018/93d01a9fb8a843dfa1ad154c650b84df.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]: /images/20211018/d2fc58f2f8a7453ab8215d4700375b44.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]: /images/20211018/c90ff57df9f54b25a045d8549e70781c.png