skimage 에서 image 정보, color space 변경 및 histogram 생성.

Pillow(PIL)에서는 Image 클래스 객체를 통해 다루는 이미지를 추상화하지만,

 

scikit‑image(이하 skimage)는

• OpenCV와 마찬가지로
• NumPy의 ndarray를 통해
• 이미지를 int 또는 float의 요소들로 구성된 다차원배열로 처리함.

참고로, Pillow에서 Image 객체의 주요 attribute 에 대해서 다음 URL을 참고할 것:

2025.07.15 - [Python] - Pillow에서 Image 객체의 주요 attribute.

Pillow에서 Image 객체의 주요 attribute.

---

1. 이미지 크기, 배열 형태

NumPy 배열(ndarray)로 이미지를 다루기 때문에 NumPy에서 ndarray의 기본 attribute를 그대로 사용가능함.

다음 코드가 이를 간단히 보여줌.

from skimage import io
image = io.imread('https://raw.githubusercontent.com/dsaint31x/OpenCV_Python_Tutorial/master/images/lena.png')
print(f"{image.shape = }")  # (height, width, channels) 또는 (height, width)
print(f"{image.dtype = }")  # 일반적으로 imread로 읽은 경우 uint8
print(f"{image.size = }")   # 전체 pixel의 수

• 배열의 .shape로 크기 확인 가능: width, height 정보 획득
• 채널 수(3이면 보통 RGB, 4이면 흔히 RGBA 등)로 색상 모드 유추 가능

---

2. Color space 변환 및 color 관련 처리

skimage.color 모듈이 색상 공간(color space) 변환 및 색상 관련 처리를 담당.

 

color space(or color model)에 대한 자세한 내용은 다음을 참고:

https://dsaint31.tistory.com/348

[DIP] Color Space or Color Model

---

예를 들어:

• skimage.color.rgb2hsv() : RGB에서 HSV로 변환.
• skimage.color.rgb2lab() : RGB에서 CIE LAB으로 변환
  (인간이 인지하는 시각적 밝기 차이에 기반한 색 비교 및 색차($\Delta E$) 계산에 용이한 CIE LAB으로 변환)
  • RGB 값을 [0.0,1.0] 범위로 정규화(normalize) 한 floating-point 이미지를 입력으로 받아들임.
• skimage.color.rgba2rgb() : 투명도가 있는 alpha채널을 지원하는 RGBA에서 RGB로.
  • alpha는 transparency (or opacity)를 의미.
  • 0.0 인 경우 fully transparent.
  • 1.0 인 경우 fully opaque. (fg)

---

2-1. HSV 예제

• H (Hue) : 색상 (색의 종류, [0.0, 1.0])
• S (Saturation) : 채도 (색의 선명도, [0.0, 1.0] )
• V (Value) : 명도 (밝기, [0.0,1.0])

from skimage import data, color
import matplotlib.pyplot as plt

# 내장 예제 이미지 (우주비행사 사진)
image_rgb = data.astronaut() # [0,255] 의 3채널
print(f"{image_rgb.shape = }")

# RGB → HSV 변환
image_hsv = color.rgb2hsv(image_rgb) # [0,1]

plt.figure(figsize=(6, 4))
plt.imshow(image_hsv[..., 0], cmap='hsv') # 'hsv'는 hue 채널에서만 제대로 동작(hue만 보이는 colormap)
plt.title("Hue Channel (HSV)")
plt.axis("off")
plt.show()

hue 채널만으로 표시해서 주로 붉은 색으로 나옴.

---

2-2. CIE LAB

CIE LAB은 인간의 시각적 인지에 기반하여 설계된 지각적 균등(perceptually uniform) 색 공간으로,
동일한 수치 차이가 유사한 색 차이로 인식되도록 만든 color space.

 

RGB나 CIE XYZ와 달리 밝기(L*)와 색상 축(a*, b*)를 분리하여, 색차 계산(ΔE)이나 색상 보정 등에 널리 사용됨.

• L* (Lightness) : [0,100]
• a* (green-red axis) : [-128, 127]
• b* (blue-yello axis) : [-128, 127]

RGB 값은 내부적으로 CIE XYZ를 거쳐 CIE LAB으로 변환

from skimage import color, io
import numpy as np

# 샘플 픽셀 (빨강, 초록, 파랑)
rgb_colors = np.array(
    [
      [[1, 0, 0]],  # Red
      [[0, 1, 0]],  # Green
      [[0, 0, 1]]   # Blue
    ], 
    dtype='float', # 주석 처리해서 결과 확인해볼 것 (int형일땐 정상동작안함.)
    )

# RGB → LAB 변환
lab_colors = color.rgb2lab(rgb_colors)

print("RGB to LAB 변환 결과:")
for rgb, lab in zip(rgb_colors.reshape(-1, 3), lab_colors.reshape(-1, 3)):
    print(f"RGB {rgb} -> LAB {np.round(lab, 2)}")

# RGB to LAB 변환 결과:
# RGB [1. 0. 0.] -> LAB [53.24 80.09 67.2 ]
# RGB [0. 1. 0.] -> LAB [ 87.74 -86.18  83.18]
# RGB [0. 0. 1.] -> LAB [  32.3    79.19 -107.86]

---

2-3. RGBA2RGB

RGBA에서의 출력은 일종의 alpha-blending임

$$\text{RGB}_\text{out} = \alpha \text{RGB}_\text{fg} + (1-\alpha) \text{RGB}_\text{bg}$$

from skimage import color
import numpy as np

# RGBA 이미지 (빨강색 반투명)
rgba = np.array([[[1.0, 0.0, 0.0, 0.2]]])  # (R,G,B,Alpha)

# RGB 변환 (배경: 흰색)
rgb = color.rgba2rgb(rgba, background=(1, 1, 1))

print("RGBA -> RGB 변환 결과:")
print("입력:", rgba)
print("출력:", rgb)

# RGBA -> RGB 변환 결과:
# 입력: [[[1.  0.  0.  0.2]]]
# 출력: [[[1.  0.8 0.8]]]

 

참고: alpha blending

https://dsaint31.me/mkdocs_site/DIP/cv2/ch01/dip_1_04/

BME

 

alpha blending을 이용한 image morphing의 예제 (opencv)

https://dsaint31.tistory.com/810

[DIP] Image Morphing (Simple)

---

---

3. 히스토그램/색상 분포 분석

skimage에서는 히스토그램 기능 및 색상 분포 분석을 위한 함수들을 주로 NumPy의 API를 이용함.

• skimage.exposure.histogram() : 이미지의 밝기(또는 intensity) 히스토그램 반환
  • 다채널의 color image의 경우, channel_axis를 지정해야함.
  • 해당 argument 없이 사용할 경우엔 monochannel image만 가능.
  • 많은 경우 skimage.color.rgb2gray()를 사용하여 gray-scale image로 변경 후 사용.
• color space로 변환한 뒤 NumPy를 이용해 색상 채널별로 np.histogram() 이용도 가능
• histogram을 통해 “어떤 채널/색상(or intensity)의 픽셀이 많다”는 분석 가능

histogram에 대한 자세한 건 다음을 참고:

https://dsaint31.me/mkdocs_site/DIP/cv2/ch02/dip_histogram/

BME

 

---

3-1. skimage.exposure.histogram

skimage.exposure.histogram()의 signature는 다음과 같음:

histogram(
    image,                # 입력 이미지 (NumPy ndarray)
    nbins=256,            # int (optional). 빈의 갯수.
    source_range='image', # 'image', 'dtype' 중 하나.
    normalize=False, 
    *, 
    channel_axis=None, # int or None, optional
    ) -> (hist, bin_centers)

• source_range에서 image는 입력이미지의 실제 값 범위가 histogram 의 범위(range)가 됨.
• source_range에서 dtype는 데이터 타입이 허용하는 범위가 histogram 의 범위(range)가 됨.
• normalize가 True로 설정되면 히스토그램 값들을 픽셀 수가 아닌 비율(합이 1)로 normalization.
• channel_axis을 통해 다채널(color) 이미지일 경우 채널이 존재하는 축을 지정할 수 있음.
  • None인 경우는 monochannel image라고 가정.

반환값

• hist : array
  • 각 bin에 해당하는 픽셀(또는 비율) 수.
  • .shape가 (nbins, ) 또는 (channels, nbins)임
• bin_centers : array
  • 각 bin의 중심값
  • 해당 구간의 대표값임.
  • .shape가 (nbins, )임.

gray-scale로 바꿔서 intensity histogram을 확인하는 예제는 다음과 같음:

from skimage import data, color, exposure
import matplotlib.pyplot as plt
import numpy as np

# 예제 이미지 불러오기 (RGB)
image_rgb = data.astronaut() # (512, 512, 3), uint8 [0..255]

# 명암도(grayscale) 변환
image_gray = color.rgb2gray(image_rgb)  # [0,1] 범위

# skimage.exposure.histogram() 사용
hist, bin_centers = exposure.histogram(image_gray)

print(f"hist shape: {hist.shape} | {bin_centers.shape}")
print(f"bin_centers 범위: {bin_centers.min():.2f} ~ {bin_centers.max():.2f}")

# matplotlib으로 시각화
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.imshow(image_gray, cmap='gray')
plt.title("Grayscale Image")
plt.axis("off")

plt.subplot(1, 2, 2)
plt.plot(bin_centers, hist, lw=2)
plt.title("Histogram of Intensity (exposure.histogram)")
plt.xlabel("Intensity value")
plt.ylabel("Pixel count")
plt.grid(True, alpha=0.3)
plt.show()

각 channel별로 한번에 histogram을 그리면 다음과 같음:

from skimage import data, exposure
import matplotlib.pyplot as plt

image_rgb = data.astronaut()  # (512, 512, 3), uint8 [0..255]

# 채널축 지정 → 채널별 히스토그램
hist, bin_centers = exposure.histogram(image_rgb, channel_axis=2)
# hist.shape == (3, 256), bin_centers.shape == (256,)

plt.figure(figsize=(10, 4))

# 좌: 원본 RGB 이미지
plt.subplot(1, 2, 1)
plt.imshow(image_rgb)
plt.title("RGB Image")
plt.axis("off")

# 우: 채널별 히스토그램
plt.subplot(1, 2, 2)
colors = ["r", "g", "b"]
labels = ["R", "G", "B"]
for c in range(3):
    plt.plot(bin_centers, hist[c], color=colors[c], label=f"{labels[c]} channel")
plt.title("Histogram per RGB channel")
plt.xlabel("Intensity value")
plt.ylabel("Pixel count")
plt.grid(True, alpha=0.3)
plt.legend()
plt.show()

---

3-2. hue histogram

이 절에선 NumPy에서 제공하는 histogram 함수를 이용한다.

https://dsaint31.me/mkdocs_site/DIP/cv2/ch02/dip_histogram/#histogram-calculation-in-numpy

BME

 

아래는 skimage로 “이미지에서 가장 많이 등장한 hue 상위 N개”를 구하는 간단한 예시.

import numpy as np
from skimage import io, color

# 이미지 읽기
img = io.imread('path/to/image.png')  # shape = (H, W, 3) 등

# (선택) RGB → HSV 변환 (색상 분석을 위해)
img_hsv = color.rgb2hsv(img)

# 예: Hue 채널만 분석
hue = img_hsv[..., 0]  # H 채널, [0.0, 1.0] 범위

# 히스토그램: 256개 빈(bin)
hist, bin_edges = np.histogram(
    hue, 
    bins=256, 
    range=(0,1),
)

# 가장 많이 등장한 Hue 값 상위 5개
top5_idx = np.argsort(hist)[::-1][:5] # np.argsort(hist): hist의 값을 오름차순으로 정렬했을 때 index순서를 반환.
for idx in top5_idx:
    count = hist[idx]
    hue_value = (bin_edges[idx] + bin_edges[idx+1]) / 2
    print(f"Hue ≈ {hue_value:.3f} 에 해당하는 픽셀 수: {count}")
    
    
# Hue ≈ 0.002 에 해당하는 픽셀 수: 40959
# Hue ≈ 0.041 에 해당하는 픽셀 수: 18959
# Hue ≈ 0.037 에 해당하는 픽셀 수: 14086
# Hue ≈ 0.045 에 해당하는 픽셀 수: 13744
# Hue ≈ 0.049 에 해당하는 픽셀 수: 8457

이런 식으로 히스토그램 분석을 통해 hue의 분포를 분석 가능.

---

같이 보면 좋은 자료들

https://gist.github.com/dsaint31x/1b54e17bde7efdc8975c1481a0db24db

skimage 에서 image 정보, color space 변경 및 histogram 생성.ipynb

---