图像降采样后的异常直方图

Question

使用简单的图像二次取样后，使用代码：img_decim_arr = img_arr[::2,::2]，我得到了与原始图像直方图非常相似的结果：
使用skimage.measure.block_reduce(img_arr, block_size = (2,2), func=np.mean)（2x2块平均值）进行二次取样（这是一些讨论中从stackoverflow推荐的方法），生成一个非常特别的直方图：
每个第二个柱比较宽。我不确定，可能是由于某种混叠效应。有人能解释一下，并给出一些关于如何影响图像（2D信号）直方图的理论提示吗？

- MarcinBurz

---

绘制的数据是离散的吗？当为离散数据选择太小的箱子时，可能会出现不良的视觉效果。我建议尝试更改箱子的数量，看看是否可以消除这种影响。 - cel

是的，图像颜色空间为8位灰度，因此箱子的数量为256，每个强度对应一个箱子。 - MarcinBurz

Answer 1

问题出在 np.mean 函数上，因为它不会四舍五入成整数，而是返回浮点数。

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]])

这可能会给你的逻辑带来有趣的副作用。它确实会影响到 matplotlib 的直方图函数，因为使用浮点数会让它对如何放置箱体边界产生不同的想法。

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)

白色部分实际上是数组中的零，在 hist 函数返回的数组中。如果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)

给定bins和range可以解决问题。即使您缩放到很近的距离。

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

- P.R.