OpenCV 例程200篇总目录
201. 图像的颜色空间转换
202. 查表快速替换（cv.LUT）
203. 伪彩色图像处理
204. 图像的色彩风格滤镜
205. 调节色彩平衡/饱和度/明度

文章目录

【youcans 的 OpenCV 例程200篇】203. 伪彩色图像处理
- 什么是伪彩色图像？
- 函数原型
- 例程 14.5：灰度图像转换为伪彩色图像
- 例程 14.7：多光谱合成的伪彩色图像

【youcans 的 OpenCV 例程200篇】203. 伪彩色图像处理

NASA 公布了蟹状星云（Crab Nebula ）的观测图像。茫茫太空，距离我们几亿光年的宇宙真是这样绚丽迷人吗？

NASA 专家撰文指出，蟹状星云彩色照片实际上人工合成的图像，这是不是暗示照片中的彩色是伪造的？

什么是伪彩色图像？

伪彩色图像是指对单色图像进行处理，结果转换得到颜色分量，构造为彩色效果的图像。伪彩色图像在形式和视觉表现为彩色图像，但其所呈现的颜色并非图像的真实色彩重现，仅仅是各颜色分量的像素值合成的结果。

（1）一类伪彩色图像是对灰度图像的增强，形成彩色效果。

伪彩色图像增强是指按照特定的准则对灰度图像进行处理，将不同的灰度级按照某种映射关系变换为不同的颜色分量。例如，天气预报中的气象云图，红外测温图像，一般都是伪彩色图像。

人眼的视觉特性，只能分辨 20 级左右的灰度，但可以分辨几千种色调和亮度。通过伪彩色图像增强，可以让灰度图像看起来更清楚，更容易分辨。

将灰度图像进行伪彩色增强，通常是基于一个设定的颜色查找表，将图像像素的灰度值替换为颜色查找表中对应的颜色值。这显然是典型的 LUT 应用场景。

（2）另一类伪彩色图像，是多光谱图像的编码合成图像。

光谱图像可以是可见光谱，也可以是红外、紫外、X光或其它信号。这些非可见光谱图像实际上既不是彩色图像，也不是灰度图像，“像素值”往往反映某种检测信号的强度。合成为彩色图像进行显示，只是为了便于观察和分析。

这在天文学观测中十分常用。NASA 公布的绚烂迷人的太空照片，并不是真实世界的色彩还原，而是将多种光谱信号图像进行编码组合和特效处理后，构造出的彩色图像。

函数原型

函数 cv.applyColorMap() 根据色彩映射表，将灰度图像变换为伪彩色图像。

cv.applyColorMap(src, colormap[, dst]) → dst
cv.applyColorMap(src, userColor[, dst]) → dst

参数说明：

src：输入图像，8 位灰度图像或彩色图像，cv_8U
dst：输出图像，大小和通道数与 src 相同
colormap：色彩映射表，OpenCV 自带色彩风格类型的颜色查找表
userColor：用户自定义的色彩映射表， 256个元素

注意事项：

输入图像可以是彩色图像。根据作者的测试，先将输入彩色图像转换为灰度图像，再按色彩映射表进行变换。
用户自定义的色彩映射表，是 256*3 数组。系统提供的 22种色彩映射表一般已经够用，就别折腾了。
例程中没有出现 cv.LUT 查表替换，在 cv.applyColorMap 内核中已经应用了查表替换方法。

色彩映射表：

OpenCV 提供了 22 种色彩风格类型，类型描述关键字与色彩效果如下图所示。

OpenCV 提供的色彩风格类型与 Matlab、Matplotlib 热图的颜色映射是类似的，描述关键字也是一致的。
参见：http://matplotlib.org/examples/color/colormaps_reference.html

例程 14.5：灰度图像转换为伪彩色图像

    # 14.5 灰度图像转换为伪彩色图像    gray = cv.imread("../images/Fig0525a.tif", flags=0)  # 读取灰度图像h, w = gray.shape[:2]  # 图片的高度, 宽度# 伪彩色处理pseudo1 = cv.applyColorMap(gray, colormap=cv.COLORMAP_HOT)pseudo2 = cv.applyColorMap(gray, colormap=cv.COLORMAP_PINK)pseudo3 = cv.applyColorMap(gray, colormap=cv.COLORMAP_RAINBOW)pseudo4 = cv.applyColorMap(gray, colormap=cv.COLORMAP_HSV)pseudo5 = cv.applyColorMap(gray, colormap=cv.COLORMAP_TURBO)plt.figure(figsize=(9, 6))plt.subplot(231), plt.axis('off'), plt.title("GRAY"), plt.imshow(gray, cmap='gray')plt.subplot(232), plt.axis('off'), plt.title("cv.COLORMAP_HOT")plt.imshow(cv.cvtColor(pseudo1, cv.COLOR_BGR2RGB))plt.subplot(233), plt.axis('off'), plt.title("cv.COLORMAP_PINK")plt.imshow(cv.cvtColor(pseudo2, cv.COLOR_BGR2RGB))plt.subplot(234), plt.axis('off'), plt.title("cv.COLORMAP_RAINBOW")plt.imshow(cv.cvtColor(pseudo3, cv.COLOR_BGR2RGB))plt.subplot(235), plt.axis('off'), plt.title("cv.COLORMAP_HSV")plt.imshow(cv.cvtColor(pseudo4, cv.COLOR_BGR2RGB))plt.subplot(236), plt.axis('off'), plt.title("cv.COLORMAP_TURBO")plt.imshow(cv.cvtColor(pseudo5, cv.COLOR_BGR2RGB))plt.tight_layout()plt.show()

例程 14.7：多光谱合成的伪彩色图像

蟹状星云（Crab Nebula ）的观测图像，是由钱德拉 X 射线天文台数据所形成的X射线图、哈勃太空望远镜拍摄的光学图像，和斯必泽空间望远镜拍摄的红外图像合成得到的。

例程结果图中，第一行是 3 种天文观测图像的观测数据图像，图像中的灰度都只是观测的信号强度，而不是实际的物理世界的亮度或灰度。

第二行是分别对 3 种观测图像进行伪彩色变换的结果，如果选择不同的色彩风格可以获得不同的效果。

第三行是将 3 种观测信号合成得到的伪彩色图像，其中左图、中图是简单地将 3 种观测信号分别作为 RGB 的一个色彩通道得到的伪彩色图像，右图是 NASA 公布的多光谱合成伪彩色图像。

虽然 NASA 图像的视觉效果更好，但仍然可以明显地看出，该图也是由第一行 3 种观测数据图像合成的。

    # 14.7 多光谱编码合成的伪彩色图像# 蟹状星云 (Crab Nebula), 图片来源：# https://www.nasa.gov/mission_pages/chandra/multimedia/photo09-096.htmlcomposite = cv.imread("../images/CrabNebula.png", flags=1)  # 读取多光谱合成图像nebulaOpti = cv.imread("../images/CrabNebula_Optical.jpg", flags=1)  # 读取 OpticalnebulaXray = cv.imread("../images/CrabNebula_Xray.jpg", flags=1)  # 读取 XraynebulaInfr = cv.imread("../images/CrabNebula_Infrared.jpg", flags=1)  # 读取 Infraredh, w = nebulaOpti.shape[:2]  # 图片的高度, 宽度grayOpti = cv.cvtColor(nebulaOpti, cv.COLOR_BGR2GRAY)grayXray = cv.cvtColor(nebulaXray, cv.COLOR_BGR2GRAY)grayInfr = cv.cvtColor(nebulaInfr, cv.COLOR_BGR2GRAY)# 伪彩色处理pseudoXray = cv.applyColorMap(nebulaXray, colormap=cv.COLORMAP_TURBO)pseudoOpti = cv.applyColorMap(nebulaOpti, colormap=cv.COLORMAP_MAGMA)pseudoInfr = cv.applyColorMap(nebulaInfr, colormap=cv.COLORMAP_HOT)# 多光谱编码合成compose1 = np.zeros((h, w, 3), np.uint8)  # 创建黑色图像 BGR=0compose1[:, :, 0] = grayOpti  # Optical -> Bcompose1[:, :, 1] = grayXray  # Xray -> Gcompose1[:, :, 2] = grayInfr  # Infrared -> Rcompose2 = np.zeros((h, w, 3), np.uint8)  # 创建黑色图像 BGR=0compose2[:, :, 0] = grayXray  # Xray -> Bcompose2[:, :, 1] = grayOpti  # Optical -> Gcompose2[:, :, 2] = grayInfr  # Infrared -> R# composite = cv.normalize(nebulaInfr + nebulaOpti, None, 0, 255, cv.NORM_MINMAX)  # 归一化为 [0,255]plt.figure(figsize=(9, 9))plt.subplot(331), plt.axis('off'), plt.title("CrabNebula-Xray")plt.imshow(grayXray, cmap='gray')plt.subplot(332), plt.axis('off'), plt.title("CrabNebula-Optical")plt.imshow(grayOpti, cmap='gray')plt.subplot(333), plt.axis('off'), plt.title("CrabNebula-Infrared")plt.imshow(grayInfr, cmap='gray')plt.subplot(334), plt.axis('off'), plt.title("Xray Pseudo")plt.imshow(cv.cvtColor(pseudoXray, cv.COLOR_BGR2RGB))plt.subplot(335), plt.axis('off'), plt.title("Optical Pseudo")plt.imshow(cv.cvtColor(pseudoOpti, cv.COLOR_BGR2RGB))plt.subplot(336), plt.axis('off'), plt.title("Infrared Pseudo")plt.imshow(cv.cvtColor(pseudoInfr, cv.COLOR_BGR2RGB))plt.subplot(337), plt.axis('off'), plt.title("Spectral composited")plt.imshow(cv.cvtColor(compose1, cv.COLOR_BGR2RGB))plt.subplot(338), plt.axis('off'), plt.title("Spectral composited")plt.imshow(cv.cvtColor(compose2, cv.COLOR_BGR2RGB))plt.subplot(339), plt.axis('off'), plt.title("Composite image")plt.imshow(cv.cvtColor(composite, cv.COLOR_BGR2RGB))plt.tight_layout()plt.show()

【本节完】

版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/125298385)
Copyright 2022 youcans, XUPT
Crated：2022-6-14
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列，持续更新中
欢迎关注『youcans 的 OpenCV学习课』系列，持续更新中

【OpenCV 例程200篇】203. 伪彩色图像处理相关推荐

【OpenCV 例程200篇】86. 频率域滤波应用：指纹图像处理
[OpenCV 例程200篇]86. 频率域滤波应用:指纹图像处理欢迎关注『OpenCV 例程200篇』系列,持续更新中欢迎关注『Python小白的OpenCV学习课』系列,持续更新中 4 ...
【OpenCV 例程200篇】205. 调节色彩平衡/饱和度/明度
OpenCV 例程200篇总目录 201. 图像的颜色空间转换 202. 查表快速替换(cv.LUT) 203. 伪彩色图像处理 204. 图像的色彩风格滤镜 205. 调节色彩平衡/饱和度/明度 ...
【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】144. 基于灰度形态学的纹理分割
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...
【youcans 的 OpenCV 例程200篇】135. 形态学重建之粒度测定
欢迎关注『youcans 的 OpenCV 例程 200 篇』系列,持续更新中欢迎关注『youcans 的 OpenCV学习课』系列,持续更新中 [youcans 的 OpenCV 例程20 ...

【OpenCV 例程200篇】203. 伪彩色图像处理