Source图像调整：变换图像内容¶
颜色处理¶
大多数操作颜色通道的功能都在子模块中找到 skimage.color 。
颜色模型之间的转换¶
彩色图像可以使用不同的 color spaces 。最常见的颜色空间之一是 RGB space ，其中图像具有红色、绿色和蓝色通道。但是，其他颜色模型也被广泛使用，例如 HSV color model ，其中色调、饱和度和值是独立的通道，或者 CMYK model 用于印刷的。
skimage.color 提供将图像与不同颜色空间相互转换的实用程序函数。整数类型的数组可以通过以下转换操作转换为浮点类型：
>>> # bright saturated red
>>> red_pixel_rgb = np.array([[[255, 0, 0]]], dtype=np.uint8)
>>> color.rgb2hsv(red_pixel_rgb)
array([[[ 0., 1., 1.]]])
>>> # darker saturated blue
>>> dark_blue_pixel_rgb = np.array([[[0, 0, 100]]], dtype=np.uint8)
>>> color.rgb2hsv(dark_blue_pixel_rgb)
array([[[ 0.66666667, 1. , 0.39215686]]])
>>> # less saturated pink
>>> pink_pixel_rgb = np.array([[[255, 100, 255]]], dtype=np.uint8)
>>> color.rgb2hsv(pink_pixel_rgb)
array([[[ 0.83333333, 0.60784314, 1. ]]])
从RGBA转换为RGB-通过Alpha混合去除Alpha通道¶
通过将RGBA图像与背景进行阿尔法混合，将RGBA图像转换为RGB图像 rgba2rgb() ：：
>>> from skimage.color import rgba2rgb
>>> from skimage import data
>>> img_rgba = data.logo()
>>> img_rgb = rgba2rgb(img_rgba)
颜色和灰度值之间的转换¶
将RGB图像转换为灰度图像是通过 rgb2gray() ：：
>>> from skimage.color import rgb2gray
>>> from skimage import data
>>> img = data.astronaut()
>>> img_gray = rgb2gray(img)
rgb2gray() 由于人眼对不同颜色的敏感度不同，因此使用颜色通道的非均匀权重。因此，这样的权重确保了 luminance preservation 从RGB到灰度：：
>>> red_pixel = np.array([[[255, 0, 0]]], dtype=np.uint8)
>>> color.rgb2gray(red_pixel)
array([[ 0.2125]])
>>> green_pixel = np.array([[[0, 255, 0]]], dtype=np.uint8)
>>> color.rgb2gray(green_pixel)
array([[ 0.7154]])
使用将灰度图像转换为RGB gray2rgb() 只需在三个颜色通道上复制灰度值。
图像反转¶
反转图像也称为互补图像。对于二进制图像，True值变为False，反之亦然。对于灰度图像，像素值被数据类型的最大值与实际值的差值替换。对于RGB图像，对每个通道执行相同的操作。此操作可通过以下方式实现 skimage.util.invert() ：：
>>> from skimage import util
>>> img = data.camera()
>>> inverted_img = util.invert(img)
使用标签绘制图像¶
label2rgb() 可用于使用标签数组将颜色叠加到灰度图像上，以编码要用相同颜色表示的区域。
对比度和曝光¶
图像像素可以采用由 dtype 图像(请参见 图像数据类型及其含义 )，例如从0到255 uint8 图像或 [0, 1] 用于浮点图像。但是，大多数图像的值范围较窄(因为对比度较差)，或者大多数像素值集中在可访问值的子范围内。 skimage.exposure 提供在更大范围内散布强度值的函数。
第一类方法计算与特定图像的像素值无关的强度的非线性函数。这种方法通常用于校正传感器或感受器(如人眼)的已知非线性。一个众所周知的例子是 Gamma correction ，实施于 adjust_gamma() 。
其他方法根据 直方图 图像的一部分。像素值的直方图是用 skimage.exposure.histogram() ：：
>>> image = np.array([[1, 3], [1, 1]])
>>> exposure.histogram(image)
(array([3, 0, 1]), array([1, 2, 3]))
histogram() 返回每个值箱的像素数和箱的中心。的行为 histogram() 因此与之前的版本略有不同 numpy.histogram() ，它返回垃圾箱的边界。
最简单的对比度增强 rescale_intensity() 包括使用线性变换将像素值拉伸到整个允许范围：
>>> from skimage import exposure
>>> text = data.text()
>>> text.min(), text.max()
(10, 197)
>>> better_contrast = exposure.rescale_intensity(text)
>>> better_contrast.min(), better_contrast.max()
(0, 255)
即使图像使用整个值范围，有时值范围末端的权重也很少。在这种情况下，使用图像的百分位数剪裁像素值可以提高对比度(但会损失一些信息，因为此操作会使某些像素饱和)：
>>> moon = data.moon()
>>> v_min, v_max = np.percentile(moon, (0.2, 99.8))
>>> v_min, v_max
(10.0, 186.0)
>>> better_contrast = exposure.rescale_intensity(
... moon, in_range=(v_min, v_max))
该函数 equalize_hist() 将像素值的累积分布函数(CDF)映射到线性CDF上，以确保值范围的所有部分在图像中均匀表示。因此，在对比度较差的大区域，细节被增强。作为进一步的改进，直方图均衡可以在图像的子区域中使用 equalize_adapthist() ，以便校正整个图像上的曝光梯度。请参见示例 直方图均衡化 。
示例：