Python 覆盖多波段图像的正确方法？

我想叠加同一场景的两个视图-一个是白光图像（单色，用于参考），另一个是特定波段的图像（具有我显示的真实数据）

白光图像为“参考”，数据图像为“数据”。它们是相同尺寸的普通2D numpy数组。我想用“灰色”颜色贴图显示白色参考图像，用“热”颜色贴图显示数据图像

这样做的“正确”方式是什么

我从这个开始：

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

hotm = cm.ScalarMappable(cmap='hot')
graym = cm.ScalarMappable(cmap='gray')

ref_rgb  = graym.to_rgba(reference) # rgba reference image, 'gray' color map
data_rgb = hotm.to_rgb(data) # rgba data image, 'hot' color map

plt.imshow(ref_rgb + data_rgb)

plt.imshow(ref_rgb/2 + data_rgb/2)

这不太好，因为在

plt.imshow（）

调用中，总和溢出了范围0..1（或者可能是0..255；这令人困惑），并给了我疯狂的颜色

然后我将最后一行替换为：

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

hotm = cm.ScalarMappable(cmap='hot')
graym = cm.ScalarMappable(cmap='gray')

ref_rgb  = graym.to_rgba(reference) # rgba reference image, 'gray' color map
data_rgb = hotm.to_rgb(data) # rgba data image, 'hot' color map

plt.imshow(ref_rgb + data_rgb)

plt.imshow(ref_rgb/2 + data_rgb/2)

这是可行的，但给了我一个非常褪色的，低对比度的图像

最后，我尝试了以下方法：

plt.imshow(np.maximum(ref_rgb, data_rgb))

这似乎给出了最好的结果，但我担心我的大部分“数据”会因为r、g或b值低于参考图像而丢失

---

做这件事的“适当”或“通常”方法是什么？

我不太确定你想要实现什么，但希望这能给你一些想法。：）

我从未使用过matplotlib，但快速查看文档，matplotlib.cm似乎为您提供了将像素数据作为0..255范围内的整数或0.0..1.0范围内的浮点值的选项。浮点格式对于算术图像处理更为方便，因此我将在本答案的其余部分中假设是这种情况

我们可以通过对RGB像素值进行简单的运算来进行基本的图像处理。粗略地说，在所有像素的RGB值上加（或减）一个常数会改变图像亮度，将像素乘以一个常数会改变图像对比度，将像素提高到一个常数（正）会改变图像伽马。当然，您确实需要确保这些操作不会导致颜色值超出范围。这对于gamma调整或对比度调整（假设常数在0.0..1.0范围内）来说不是问题，但对于亮度修改来说可能是问题。通过适当的加法和乘法组合，可以实现更细微的亮度和对比度调整

在执行此类操作时，通常最好在完成主处理之前和/或之后，将图像数据中的像素值规格化为0.0..1.0范围

上面的代码实质上是将灰色参考数据视为一种遮罩，并使用其值（而不是使用常数）逐像素对颜色数据进行操作。如您所见，采用ref_rgb和data_rgb的平均值会导致图像褪色，因为您正在降低对比度。但是，看看当您将ref_rgb和data_rgb相乘时会发生什么：对比度通常会增加，因为ref_rgb中的暗区域将使data_rgb中的相应像素变暗，但ref_rgb中的亮区域将使data_rgb中的相应像素几乎不受影响

有一些很好的算术图像处理的例子

另一个尝试是将数据_rgb转换为HSV格式，并用ref_rgb中的灰度数据替换V（值）数据。您可以对S（饱和度）数据执行类似的操作，尽管效果通常有点微妙