istogramma insolito dopo immagine decimazione

Question

Dopo semplice immagine decimazione utilizzando: img_decim_arr = img_arr[::2,::2], ho ottenuto istogramma molto simile all'originale istogramma:
Decimazione utilizzando: skimage.measure.block_reduce(img_arr, block_size = (2,2), func=np.mean) (2x2 blocco media), che è il metodo consigliato per sottocampionamento (trovato su StackOverflow in alcune discussioni) produce un istogramma molto caratteristico:
Ogni secondo è più grande. Non sono sicuro che questo sia dovuto ad un effetto di aliasing. Qualcuno può spiegare e dare alcuni suggerimenti teorici su come il sottocampionamento influisce sull'istogramma dell'immagine (segnale 2D)?

Answer 1

Il problema è la funzione np.mean, perché non arrotonda agli interi e restituisce i float.

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]]) 

che potrebbe dare interessanti effetti collaterali nella vostra logica. Si avvita definitivamente con la funzione dell'istogramma matplotlib, perché avere galleggianti fa pensare in modo diverso a come posizionare i bordi del cestino.

Check this out:

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) 

I bit bianchi sono in realtà zero nella matrice che le hist restituisce la funzione. Diventa ancora peggio se si forza l'arrotondamento nel mio esempio giocattolo:

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

Dandogli i bidoni e la gamma risolve il problema. Anche se si ingrandisce vicino

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