将float64类型的np.array转换为uint8缩放值类型

Question

我有代表特定灰度图像的特定np.array`数据。我需要使用SimpleBlobDetector（），不幸的是，该SimpleBlobDetector（）仅接受8位图像，因此我需要转换此图像，显然会有质量损失。

我已经尝试过：

import numpy as np
import cv2
[...]
data = data / data.max() #normalizes data in range 0 - 255
data = 255 * data
img = data.astype(np.uint8)
cv2.imshow("Window", img)

但是 cv2.imshow 不能提供预期的图像，但是会产生奇怪的失真…

最后，我只需要将np.float64转换为np.uint8即可缩放所有值，并截断其余所有值，例如。65535变为255，65534变为254，依此类推…。

谢谢。

Answer 1

标准化图像的更好方法是取每个值，然后除以数据类型所经历的最大值。这样可以确保图像中动态范围较小的图像保持较小，并且不会被意外归一化，从而变为灰色。例如，如果您的图像的动态范围为[0-2]，则现在的代码会将其缩放为强度为[0, 128, 255]。您希望将它们转换为后保持较小np.uint8。

因此，将每个值除以图像 类型
可能的最大值，而不是实际图像本身。然后，您可以将其缩放255以产生标准化的结果。使用numpy.iinfo并提供dtype图像的类型（），您将获得该类型的信息结构。然后，您可以从此max结构访问该字段以确定最大值。

因此，通过以上操作，对您的代码进行以下修改：

import numpy as np
import cv2
[...]
info = np.iinfo(data.dtype) # Get the information of the incoming image type
data = data.astype(np.float64) / info.max # normalize the data to 0 - 1
data = 255 * data # Now scale by 255
img = data.astype(np.uint8)
cv2.imshow("Window", img)

请注意，我另外将图像转换为np.float64，以防输入数据类型不是这种情况，并在进行除法时保持浮点精度。