logging stack_info

`stack_info`是Python标准库中`logging`模块中的一个参数，用于记录堆栈信息。它是一个布尔类型的参数，如果设置为True，则在日志记录中包含完整的堆栈跟踪信息。这对于调试非常有用，因为它可以帮助你在代码中定位问题。例如，如果你在代码中捕获了一个异常，并想要在日志中记录完整的堆栈跟踪信息，你可以使用如下代码：

import logging

try:
    # some code that might raise an exception
except Exception as e:
    logging.error("An error occurred: %s", str(e), stack_info=True)

当异常发生时，这将记录一个错误消息以及完整的堆栈跟踪信息。注意，`stack_info`参数只有在`logging.error()`等级或更高级别的日志记录函数中才有效。

相关问题

stack_info

`stack_info` 是 Python 3.8 中 `logging` 模块中新增的一个特性，用于在日志中记录当前线程的调用栈信息。具体来说，它记录了当前线程的栈帧信息（函数名、文件名、行号等），可以帮助开发者更方便地追踪问题。

使用 `stack_info` 的方法很简单，只需要在日志记录中添加 `%(stack_info)s` 占位符即可。例如：

import logging

logging.basicConfig(format='%(asctime)s %(message)s [%(stack_info)s]')

def foo():
    logging.warning("This is a warning message from foo()")

def bar():
    foo()

bar()

运行上面的代码会输出如下日志：

2021-07-27 16:42:59,842 This is a warning message from foo() [bar, test.py:10, <module>, test.py:14]

其中 `[bar, test.py:10, <module>, test.py:14]` 是调用栈信息，表示当前线程的调用栈为 `bar()` -> `foo()` -> `<module>`。

import argparse import logging import re from multiprocessing import Process, Queue from pathlib import Path import numpy as np from skimage import exposure, filters from modules.config import logger from modules.volume import volume_loading_func, volume_saving_func def normalize_intensity( np_volume: np.ndarray, relative_path: Path, logger: logging.Logger ): logger.info(f"[processing start] {relative_path}") nstack = len(np_volume) stack: np.ndarray = np_volume[nstack // 2 - 16 : nstack // 2 + 16] hist_y, hist_x = exposure.histogram(stack[stack > 0]) thr = filters.threshold_otsu(stack[stack > 0]) peak_air = np.argmax(hist_y[hist_x < thr]) + hist_x[0] peak_soil = np.argmax(hist_y[hist_x > thr]) + (thr - hist_x[0]) + hist_x[0] np_volume = np_volume.astype(np.int64) for i in range(len(np_volume)): np_volume[i] = ( (np_volume[i] - peak_air).clip(0) / (peak_soil - peak_air) * 256 / 2 ) logger.info(f"[processing end] {relative_path}") return exposure.rescale_intensity( np_volume, in_range=(0, 255), out_range=(0, 255) ).astype(np.uint8) 请详细解释每一行的代码意思

这是一段 Python 代码，主要是实现了对 3D 数据进行灰度值归一化预处理的功能，下面逐行解释：

import argparse
import logging
import re
from multiprocessing import Process, Queue
from pathlib import Path
import numpy as np
from skimage import exposure, filters
from modules.config import logger
from modules.volume import volume_loading_func, volume_saving_func

首先是导入一些 Python 模块和工具。其中 argparse、logging、re、Path、numpy、skimage 等模块都是 Python 内置模块，而 multiprocessing 和 skimage 的 exposure、filters 模块需要额外安装。另外，这段代码还从自定义模块 modules 中导入了两个函数，分别是 volume_loading_func 和 volume_saving_func。

def normalize_intensity( np_volume: np.ndarray, relative_path: Path, logger: logging.Logger ):

定义了一个名为 normalize_intensity 的函数，它接受三个参数：np_volume，表示一个 numpy 数组，存储了 3D 数据的原始灰度值；relative_path，表示 3D 数据的存储路径，类型为 Path；logger，表示一个 logging.Logger 对象，用于写日志。

logger.info(f"[processing start] {relative_path}")

使用 logger 对象写日志，输出一个带有相对路径的日志信息，表示灰度归一化开始。

nstack = len(np_volume)
stack: np.ndarray = np_volume[nstack // 2 - 16 : nstack // 2 + 16]

获取 np_volume 数组的长度 nstack，并将 np_volume 数组中的中央一部分数据赋值给 stack 变量，这里只保留了中央的 32 张切片。

hist_y, hist_x = exposure.histogram(stack[stack > 0])
thr = filters.threshold_otsu(stack[stack > 0])
peak_air = np.argmax(hist_y[hist_x < thr])
peak_soil = np.argmax(hist_y[hist_x > thr])

利用 skimage 的 exposure 模块，对 stack 中大于 0 的像素值进行直方图统计，并使用 filters 模块的 threshold_otsu 函数获取阈值 thr。然后，寻找 hist_y 中小于 thr 的最大值所在的下标 peak_air，和 hist_y 中大于 thr 的最大值所在的下标 peak_soil。

np_volume = np_volume.astype(np.int64)
for i in range(len(np_volume)):
    np_volume[i] = ((np_volume[i] - peak_air).clip(0) / (peak_soil - peak_air) * 256 / 2)

将 np_volume 数组转化为 int64 类型，并对其中的每一个像素值进行灰度归一化处理。首先将每个像素值减去 peak_air，然后将结果限制在 [0, max_soil - peak_air] 范围内，最后将结果缩放到 [0, 128] 范围内。

logger.info(f"[processing end] {relative_path}")

使用 logger 对象写日志，输出一个带有相对路径的日志信息，表示灰度归一化处理结束。

return exposure.rescale_intensity(
    np_volume, in_range=(0, 255), out_range=(0, 255)
).astype(np.uint8)

将归一化的 numpy 数组 np_volume 传入 skimage 的 exposure 模块的 rescale_intensity 函数，将灰度值缩放到 [0, 255] 范围内，并将结果转化为 uint8 数据类型，最终返回归一化处理后的 3D 数据。