如果使用颜色映射或RGB数组，matplotlib imshow绘制的图像会有所不同。

Question

我遇到了以下问题：我正在使用显微镜保存16位tiff图像，需要对其进行分析。 我想使用numpy和matplotlib来处理，但是当我想要做一些简单的事情，例如在绿色中绘制图像（稍后我还需要叠加其他图像），它就失败了。

这里是一个例子，当我尝试将图像绘制为RGB数组或使用默认的jet色图时。

import numpy as np
import matplotlib.pyplot as plt
import cv2

imageName = 'image.tif'

# image as luminance 
img1 = cv2.imread(imageName,-1)

# image as RGB array
shape = (img1.shape[0], img1.shape[1], 3)
img2 = np.zeros(shape,dtype='uint16')
img2[...,1] += img1

fig = plt.figure(figsize=(20,8))
ax1 = fig.add_subplot(1,2,1)
ax2 = fig.add_subplot(1,2,2)

im1 = ax1.imshow(img1,interpolation='none')
im2 = ax2.imshow(img2,interpolation='none')
fig.show()

对我来说，它呈现出以下的图像：

如果这个问题太基础了，我很抱歉，但我不知道右边的图是为什么显示这些伪影。我想使用绿色尺度，得到类似于左图的图形（ImageJ也会生成类似于左图的结果）。

非常感谢您的合作。

- Antonio Yanez Santamaria

---

你所看到的可能是img2中uint16值溢出的结果。print img1.dtype输出什么？print img1.min(), img1.max()呢？ - Joe Kington

这两张图片结构上是一样的，只是颜色映射不同，是我看错了吗？这就是问题所在吗？ - Brian Cain

Answer 1

我认为右侧的情节更具艺术性...

matplotlib在解释图像时相当复杂。大致如下：

• 如果图像是任何类型的NxM数组，则通过颜色映射解释它（如果没有特别指定，则自动缩放）。 （原则上，如果数组是缩放到0..1的float数组，则应将其解释为灰度图像。这是文档中所说的，但实际上并不会发生。）

• 如果图像是NxMx3的float数组，则RGB分量被解释为介于0..1之间的RGB分量。如果值超出此范围，则采用正模1，即1.2-> 0.2，-1.7-> 0.3等。

• 如果图像是NxMx3的uint8数组，则将其解释为标准图像（0..255分量）

• 如果图像是NxMx4，则解释方式与上述相同，但第四个分量是不透明度（alpha）

因此，如果您向matplotlib提供除uint8或float之外的整数NxMx3数组，则结果未定义。但是，通过查看源代码，可以理解奇怪的行为：

if A.dtype != np.uint8:
    A = (255*A).astype(np.uint8)

其中A是图像数组。因此，如果您给出uint16值0、1、2、3、4...，您会得到0、255、254、253......是的，它看起来非常奇怪。(在我看来，解释可能需要更直观一些，但这就是实现方式。)

---

在这种情况下，最简单的解决方案是将数组除以65535，然后图像应该与预期相同。此外，如果您的原始图像确实是线性的，那么您将需要进行反伽马校正：

img1_corr = (img1 / 65535.)**(1/2.2)

否则你的中音将会太暗。

- DrV

---

非常好的回答。我总是觉得这些整数类型（uint8、byte等）在任何图像处理方面都非常有限，尽管当你必须保存文件时它们是有意义的。对于matplotlib而言，在我看来最明智的方法是将每个整数类型的图像归一化到0-1范围内，然后才执行数学运算（例如，像这样纠正伽马：im **= gamma [你能相信这个有效吗？]）。然后使用所需的色图绘制，并在保存时进行反归一化。 - heltonbiker

Answer 2

我通过将图像归一化到给定数据类型的最大值来处理它，如DrV所说，对于uint16来说，最大值是65535。辅助函数可能看起来像这样：

def normalise_bits(img):
    bits = 1.0  # catch all
    try:
        # Test integer value, e.g. np.uint16
        bits = np.iinfo(img.dtype).max
    except ValueError:
        # Try float maximum, e.g. np.float32
        bits = np.finfo(img.dtype).max
    return (img / bits).astype(float)

然后可以将图像处理为 matplotlib 中的浮点数 [0.0，1.0]。

- RobT