Question

如何反转颜色映射图像？

我有一个2D图像，可以在色图上绘制数据。我想读取图像并“反转”颜色贴图，即查找特定的RGB值，然后将其转换为浮点数。

例如：使用此图片：http://matplotlib.sourceforge.net/_images/mri_demo.png

我应该能够得到一个440x360的浮点矩阵，知道色图是cm.jet

from pylab import imread
import matplotlib.cm as cm
a=imread('mri_demo.png')
b=colormap2float(a,cm.jet) #<-tricky part

Answer 1

可能有更好的方法来做到这一点;我不确定。如果您阅读help(cm.jet)，您将看到用于将区间[0,1]中的值映射到RGB 3元组的算法。你可以用一点纸和铅笔计算公式来反转定义映射的分段线性函数。

然而，有许多问题使得纸和铅笔解决方案有些缺乏吸引力：

这是一个很费力的代数，而且该解决方案特定于cm.jet。你必须再做所有这些工作如果你改变了颜色图。如何自动解决这些代数方程很有意思，但这不是我知道如何解决的问题。
通常，颜色图可能不是可逆的（可能有多个值）被映射到相同的颜色）。在里面 cm.jet的情况，值在0.11之间和0.125都映射到RGB 例如，3元组（0,0,1）。因此，如果你的图像包含纯蓝色像素，真的没办法告诉它是否来自0.11的值或者值，比方说，0.125。
从[0,1]到。的映射 3元组是3空间的曲线。该你的形象中的颜色可能不会说谎完美地在这条曲线上。有可能例如，圆整错误。因此，任何实际的解决方案都必须能够插入或以某种方式将3空间中的点投影到曲线上。

由于非唯一性问题以及投影/插值问题，您可能会遇到许多可能的解决方案。以下只是一种可能性。

以下是解决唯一性和投影/插值问题的一种方法：

创建一个充当“代码簿”的gradient。 gradient是cm.jet颜色映射中的RGBA 4元组数组。 gradient的颜色对应于0到1之间的值。使用scipy的矢量量化函数scipy.cluster.vq.vq将图像中的所有颜色mri_demo.png映射到gradient中最近的颜色。由于颜色贴图可以对许多值使用相同的颜色，因此渐变可以包含重复的颜色。我将它留给scipy.cluster.vq.vq来决定哪个（可能）非唯一的代码簿索引与特定颜色相关联。

import matplotlib.pyplot as plt
import matplotlib.cm as cm
import numpy as np
import scipy.cluster.vq as scv

def colormap2arr(arr,cmap):    
    # http://stackoverflow.com/questions/3720840/how-to-reverse-color-map-image-to-scalar-values/3722674#3722674
    gradient=cmap(np.linspace(0.0,1.0,100))

    # Reshape arr to something like (240*240, 4), all the 4-tuples in a long list...
    arr2=arr.reshape((arr.shape[0]*arr.shape[1],arr.shape[2]))

    # Use vector quantization to shift the values in arr2 to the nearest point in
    # the code book (gradient).
    code,dist=scv.vq(arr2,gradient)

    # code is an array of length arr2 (240*240), holding the code book index for
    # each observation. (arr2 are the "observations".)
    # Scale the values so they are from 0 to 1.
    values=code.astype('float')/gradient.shape[0]

    # Reshape values back to (240,240)
    values=values.reshape(arr.shape[0],arr.shape[1])
    values=values[::-1]
    return values

arr=plt.imread('mri_demo.png')
values=colormap2arr(arr,cm.jet)    
# Proof that it works:
plt.imshow(values,interpolation='bilinear', cmap=cm.jet,
           origin='lower', extent=[-3,3,-3,3])
plt.show()

您看到的图像应该接近于再现mri_demo.png：

alt text

（原始mri_demo.png有一个白色边框。由于白色不是cm.jet中的颜色，请注意scipy.cluster.vq.vq将白色映射到gradient代码簿中的最近点，是一种淡绿色。）

Answer 2

这是一种更简单的方法，适用于许多颜色图，例如viridis，但不适用于诸如“喷射”之类的LinearSegmentedColormap。

颜色图存储为[r，g，b]值的列表。对于许多色图，此图恰好具有256个条目。使用颜色列表中最近的邻居查找0到1之间的值。因此，您无法获得确切的值，只能得到一个近似值。

一些用于说明概念的代码：

from matplotlib import pyplot as plt

def find_value_in_colormap(tup, cmap):
    # for a cmap like viridis, the result of the colormap lookup is a tuple (r, g, b, a), with a always being 1
    # but the colors array is stored as a list [r, g, b]
    # for some colormaps, the situation is reversed: the lookup returns a list, while the colors array contains tuples
    tup = list(tup)[:3]
    colors = cmap.colors
    if tup in colors:
        ind = colors.index(tup)
    elif tuple(tup) in colors:
        ind = colors.index(tuple(tup))
    else: # tup was not generated by this colormap
        return None
    return (ind + 0.5) / len(colors)

val = 0.3
tup = plt.cm.viridis(val)

print(find_value_in_colormap(tup, plt.cm.viridis))

这会打印出近似值：

0.298828125

是对应于颜色三倍的值。

为说明发生的情况，以下是该函数的可视化结果，该函数在颜色中查找值，然后获取与该颜色对应的值。

from matplotlib import pyplot as plt
import numpy as np

x = np.linspace(-0.1, 1.1, 10000)
y = [ find_value_in_colormap(plt.cm.viridis(x), plt.cm.viridis) for x in x]

fig, axes = plt.subplots(ncols=3, figsize=(12,4))
for ax in axes.ravel():
    ax.plot(x, x, label='identity: y = x')
    ax.plot(x, y, label='lookup, then reverse')
    ax.legend(loc='best')
axes[0].set_title('overall view')
axes[1].set_title('zoom near x=0')
axes[1].set_xlim(-0.02, 0.02)
axes[1].set_ylim(-0.02, 0.02)
axes[2].set_title('zoom near x=1')
axes[2].set_xlim(0.98, 1.02)
axes[2].set_ylim(0.98, 1.02)
plt.show()

对于只有几种颜色的色图，曲线图可以显示一种颜色变为另一种颜色的确切位置。该图的颜色与x值相对应。

Answer 3

Hy unutbu，

感谢您的回复，我了解您解释的过程，并重现它。它工作得非常好，我使用它来反转温度网格中的红外摄像机镜头，因为使用GIMP可以轻松地重新制作/重塑照片以实现我的目的。

我能够通过相机镜头创建标量网格，这对我的任务非常有用。

我使用我可以使用GIMP + Sample a Gradient Along a Path创建的调色板文件。我选择原始图片的颜色条，将其转换为调色板，然后导出为十六进制颜色序列。我读了这个调色板文件来创建一个由温度样本标准化的色彩图，用作代码簿。我读取原始图像并使用矢量量化将颜色反转为值。通过在温度样本数组中使用代码簿索引作为索引过滤器，我稍微改善了代码的pythonic样式，并应用了一些过滤器来平滑我的结果。

from numpy import linspace, savetxt
from matplotlib.colors import Normalize, LinearSegmentedColormap
from  scipy.cluster.vq import vq

# sample the values to find from colorbar extremums
vmin = -20.
vmax = 120.
precision = 1.

resolution = 1 + vmax-vmin/precision
sample = linspace(vmin,vmax,resolution)

# create code_book from sample
cmap = LinearSegmentedColormap.from_list('Custom', hex_color_list)
norm = Normalize()
code_book = cmap(norm(sample))

# quantize colors
indices = vq(flat_image,code_book)[0]
# filter sample from quantization results **(improved)**
values = sample[indices]

savetxt(image_file_name[:-3]+'.csv',values ,delimiter=',',fmt='%-8.1f')

结果最终以.csv

导出

最重要的是创建一个代表性很好的调色板文件以获得良好的精度。我开始使用12种颜色和更多颜色获得良好的渐变（代码簿）。此过程非常有用，因为有时相机镜头无法轻松且线性地转换为灰度。

感谢所有贡献者unutbu，Rob A，scipy社区;）

Answer 4

如果我在测试期间不手动操作，则LinearSegmentedColormap不会给我相同的插值，所以我更喜欢使用自己的插值：

作为一个优势，因为我将代码集成到现有软件中，所以不需要matplotlib。

def codeBook(color_list, N=256):
    """
    return N colors interpolated from rgb color list
    !!! workaround to matplotlib colormap to avoid dependency !!!
    """
    # seperate r g b channel
    rgb = np.array(color_list).T
    # normalize data points sets
    new_x = np.linspace(0., 1., N)
    x = np.linspace(0., 1., len(color_list))
    # interpolate each color channel
    rgb = [np.interp(new_x, x, channel) for channel in rgb]
    # round elements of the array to the nearest integer.
    return np.rint(np.column_stack( rgb )).astype('int')

如何将彩色地图图像反转为标量值

4 个答案: