关于scikit-image中布尔型二值图像的像素含义与编码形式的技术问询

嘿，我来帮你拆解这两个问题，都是用scikit-image处理医学图像时很常见的困惑点：

1. 为什么得到的是布尔型（True/False）而非0-255数值型？ #

你执行的binary = grayscale > threshold_otsu本质上是numpy数组的比较运算，这类运算的返回结果天然就是布尔类型的数组——因为你在判断每个像素是否大于阈值，结果只有“是”或“否”。

scikit-image默认保留这个布尔类型有两个实用的原因：

• 内存占用更少：布尔型数组每个元素只占1比特，而存储0/255的uint8数组每个元素占8比特，对于大尺寸医学图像来说，内存差异会很明显
• 后续计算更便捷：布尔值在numpy中可以直接当作1（True）和0（False）参与数值计算，比如统计像素数量时直接求和就行

如果确实需要转换成0-255的uint8格式，两种简单方法就能实现：

import numpy as np
# 方法1：类型转换后放大
binary_255 = binary.astype(np.uint8) * 255

或者用scikit-image自带的类型转换工具：

from skimage import img_as_ubyte
# 方法2：直接映射到0-255范围
binary_255 = img_as_ubyte(binary)

这两种方法都会把True转为255，False转为0。

2. True/False对应的颜色约定 #

在scikit-image（以及大多数主流图像处理库）里，约定俗成的规则是：True对应白色像素，False对应黑色像素。

这个逻辑很贴合实际需求：你用grayscale > threshold_otsu筛选出的是灰度值高于阈值的像素——通常这些是你要关注的前景区域（比如医学图像中的病变、目标组织），在可视化时会显示为白色；而低于阈值的背景区域则显示为黑色。你可以直接用skimage.io.imshow(binary)验证，就能看到True区域呈现白色。

统计白色像素数量的快捷方法 #

如果是布尔型数组，直接用numpy的求和函数就能得到白色像素的总数：

white_pixel_count = np.sum(binary)

因为numpy会自动把True视为1，False视为0，求和结果就是True的数量，也就是白色像素的个数。如果已经转成了0-255的数组，就用：

white_pixel_count = np.sum(binary_255 == 255)

内容的提问来源于stack exchange，提问作者Phil