Ctrl+K

图像数据#

在本章中，我们将讨论图像HDU中的数据组件。

图像数据作为数组#

FITS主HDU或图像扩展HDU可能包含图像数据。以下讨论适用于这两个HDU类。在大多数情况下 astropy ，它是一个 numpy 数组，其形状由NAXIS关键字指定，数据类型由BITPIX关键字指定-除非数据被缩放，在这种情况下，请参阅下一节。下面是FITS图像中允许的BITPIX值与 numpy 数据类型：

BITPIX    Numpy Data Type
8         numpy.uint8 (note it is UNsigned integer)
16        numpy.int16
32        numpy.int32
64        numpy.int64
-32       numpy.float32
-64       numpy.float64

总而言之，在 numpy 数组为0索引，轴从慢到快排序。因此，如果FITS图像的NAXIS1=300和NAXIS2=400，则 numpy 其数据数组的形状为（400300）。

实例#

以下是读取和更新图像数据值的摘要：

>>> from astropy.io import fits
>>> fits_image_filename = fits.util.get_testdata_filepath('test0.fits')

>>> with fits.open(fits_image_filename) as hdul:  # open a FITS file
...     data = hdul[1].data  # assume the first extension is an image
>>> print(data[1, 4])   # get the pixel value at x=5, y=2
313
>>> # get values of the subsection from x=11 to 20, y=31 to 40 (inclusive)
>>> data[30:40, 10:20]
array([[314, 314, 313, 312, 313, 313, 313, 313, 313, 312],
       [314, 314, 312, 313, 313, 311, 313, 312, 312, 314],
       [314, 315, 313, 313, 313, 313, 315, 312, 314, 312],
       [314, 313, 313, 314, 311, 313, 313, 313, 313, 313],
       [313, 314, 312, 314, 312, 314, 314, 315, 313, 313],
       [312, 311, 311, 312, 312, 312, 312, 313, 311, 312],
       [314, 314, 314, 314, 312, 313, 314, 314, 314, 311],
       [314, 313, 312, 313, 313, 314, 312, 312, 311, 314],
       [313, 313, 313, 314, 313, 313, 315, 313, 312, 313],
       [314, 313, 313, 314, 313, 312, 312, 314, 310, 314]], dtype=int16)
>>> data[1,4] = 999  # update a pixel value
>>> data[30:40, 10:20] = 0  # update values of a subsection
>>> data[3] = data[2]    # copy the 3rd row to the 4th row

这里有一些使用“掩模阵列”概念的更复杂的例子。第一个例子是改变 data 归零。第二种方法是取正像素值的对数：

>>> data[data < 0] = 0
>>> import numpy as np
>>> data[data > 0] = np.log(data[data > 0])

这些例子显示了 numpy 阵列操作。

比例数据#

有时会缩放图像；也就是说，存储在文件中的数据不是图像的物理（真）值，而是根据以下等式进行线性变换：

physical value = BSCALE * (storage value) + BZERO

BSCALE和BZERO作为相同名称的关键字存储在同一HDU的头中。缩放图像最常见的用途是存储无符号16位整数数据，因为FITS标准不允许这样做。在这种情况下，存储的数据是有符号的16位整数（BITPIX=16），BZERO=32768 (\(2^{{15}}\) )，b刻度=1。

读取缩放图像数据#

只有当标题中存在BSCALE/BZERO关键字之一且它们的值不是默认值（BSCALE=1，BZERO=0）时，才会缩放图像。

对于未标度数据，中HDU的数据属性 astropy 是一个 numpy 由BITPIX关键字指定的相同数据类型的数组。对于缩放图像 .data 属性将是物理数据（即已经从存储数据转换而来，并且可能与BITPIX中规定的数据类型不同）。这意味着需要额外的复制步骤，因此需要相应的内存需求。这也意味着，对于缩放数据，内存映射的优势将降低。

对于浮点存储数据，缩放数据将具有相同的数据类型。对于整数数据类型，缩放数据将始终是单精度浮点 (numpy.float32 ）

例子#

下面是一个缩放数据在接触数据之前和之后发生的情况的示例：

>>> fits_scaledimage_filename = fits.util.get_testdata_filepath('scale.fits')

>>> hdul = fits.open(fits_scaledimage_filename)
>>> hdu = hdul[0]
>>> hdu.header['bitpix']
16
>>> hdu.header['bzero']
1500.0
>>> hdu.data[0, 0]  # once data is touched, it is scaled  
557.7563
>>> hdu.data.dtype.name
'float32'
>>> hdu.header['bitpix']  # BITPIX is also updated
-32
>>> # BZERO and BSCALE are removed after the scaling
>>> hdu.header['bzero']
Traceback (most recent call last):
    ...
KeyError: "Keyword 'BZERO' not found."

警告

在中处理缩放数据时需要注意的一个重要注意事项 astropy ，是在通过 .data 属性，则使用BZERO和BSCALE参数自动缩放数据。如果文件是在“更新”模式下打开的，它将与重新缩放的数据一起保存。这种令人惊讶的行为是在不丢失数据的情况下出错的一种折衷：如果对数据进行了一些浮点计算，则在保存时重新调整其大小可能会导致信息丢失。

为了防止文件被自动缩放 do_not_scale_image_data=True 参数 fits.open() . 这对于更新某些头值特别有用，同时确保数据不被修改。

也可以手动重新应用比例参数，方法是使用 hdu.scale() （见下文）。或者，您可以使用 scale_back=True 争论。即使在保存物理值时，也能确保在保存时保留原始缩放比例。换句话说，它在保存时将缩放重新应用到新的物理值。

写入缩放图像数据#

由于需要额外的处理和内存，我们尽量不使用缩放数据。然而， astropy 提供了用 scale 方法。

实例#

使用 scale 方法：

>>> # scale the data to Int16 with user specified bscale/bzero
>>> hdu.scale('int16', bzero=32768)
>>> # scale the data to Int32 with the min/max of the data range, emits
>>> # RuntimeWarning: overflow encountered in short_scalars
>>> hdu.scale('int32', 'minmax')  
>>> # scale the data, using the original BSCALE/BZERO, emits
>>> # RuntimeWarning: invalid value encountered in add
>>> hdu.scale('int32', 'old')  
>>> hdul.close()

上面的第一个示例演示了如何存储无符号短整数数组。

在使用 scale() 方法。这个 data 图像HDU的属性，位于 scale() 存储不会变成物理值。所以，只打电话 scale() 在写入FITS文件之前（即 writeto() ， flush() 或 close() ). 不应进一步使用数据。下面是一个示例，说明 data 属性之后 scale() 呼叫：

>>> hdu = fits.PrimaryHDU(np.array([0., 1, 2, 3]))
>>> print(hdu.data)  
[0. 1. 2. 3.]
>>> hdu.scale('int16', bzero=32768)
>>> print(hdu.data)  # now the data has storage values
[-32768 -32767 -32766 -32765]
>>> hdu.writeto('new.fits')

数据段#

当a适合图像HDU data 在数据被复制到内存的情况下（或者在数据被复制到内存的情况下）。如果同时访问多个非常大的图像hdu，系统可能会耗尽内存。

如果用户不需要同时处理整个图像（例如，一次处理十行图像），则 section HDU的属性可以用来缓解这种内存问题。

使用 astropy 改进了对内存映射的支持，对于处理存储在本地文件中的大图像，Sections功能不再那么必要。但是，在以下情况下它仍然非常有用：

  • 如果使用非常重要的BSCALE/BZERO值来缩放图像的数据，则在当前实现下可能仍然需要按段访问数据。

  • 内存映射不足以在32位系统上加载大于2到4 GB的图像-在这种情况下，可能需要使用节。

  • 访问远程FIT文件时，内存映射不起作用。在这种情况下，区段可能是您唯一的选择。看见 从云托管的FITS文件中获取子集 。

此外，对于压缩的FITS文件， CompImageHDU.section 可用于仅访问和解压缩部分数据，并可提供显著的加速比。但是请注意，使用访问数据 CompImageHDU.section 将始终从磁盘一次加载一个切片，因此在访问大部分数据(或以会导致加载大多数切片的方式对数据进行切片)时，您可以使用 CompImageHDU.data 。

例子#

下面是一个从大小为5000x5000的三个输入图像中获取中值图像的示例。

hdul1 = fits.open('file1.fits')
hdul2 = fits.open('file2.fits')
hdul3 = fits.open('file3.fits')
output = np.zeros((5000, 5000))
for i in range(50):
    j = i * 100
    k = j + 100
    x1 = hdul1[0].section[j:k,:]
    x2 = hdul2[0].section[j:k,:]
    x3 = hdul3[0].section[j:k,:]
    output[j:k, :] = np.median([x1, x2, x3], axis=0)

每个 section 不需要是连续的才能节省内存。 astropy 将尽最大努力将数组中不连续的部分连接在一起，同时尽可能少地读入主内存。

当前无法分配分区。对数据节所做的任何修改都不会保存回原始文件。

On this page
Edit on GitHub