I grafici di matplotlib sono diversi se si utilizza la matrice di colori o l'array RGB

Question

Ho riscontrato il seguente problema: Sto salvando le immagini Tiff a 16 bit con un microscopio e ho bisogno di analizzarle. Voglio farlo con numpy e matplotlib, ma quando voglio fare qualcosa di semplice come tracciare l'immagine in verde (avrò più tardi bisogno di sovrapporre altre immagini), fallisce.

Ecco un esempio quando provo a tracciare l'immagine come una matrice RGB o con la mappa di colori jet predefinita.

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() 

Che per me si ottiene la seguente figura:

Mi dispiace se la domanda è troppo semplice, ma non ho idea del perché la trama destra sta mostrando questo artefatti. Mi piacerebbe ottenere con la scala verde, qualcosa di simile a come appare la figura (anche imageJ offre qualcosa di simile alla trama di sinistra).

Grazie mille per la collaborazione.

Answer 1

trovo la trama giusta molto più artistica ...

matplotlib è piuttosto complicato quando si tratta di immagini che interpretano. Va approssimativamente come segue:

• se l'immagine è una matrice NxM di qualsiasi tipo, viene interpretato attraverso la mappa colori (autoscale, se non indicato diversamente). (In linea di principio, se l'array è un array float scalato a 0..1, dovrebbe essere interpretato come un'immagine in scala di grigi. Questo è ciò che dice la documentazione, ma in pratica ciò non accade.)

• l'immagine è una matrice NxMx3 float, i componenti RGB sono interpretati come componenti RGB tra 0..1. Se i valori non rientrano in questo intervallo, vengono presi con modulo positivo 1, ovvero 1,2 -> 0,2, -1,7 -> 0,3, ecc.

• se l'immagine è un array NxMx3 uint8, viene interpretata come immagine standard (0..255 componenti)

• se l'immagine è NxMx4, l'interpretazione è come sopra, ma il quarto componente è l'opacità (alfa)

Quindi, se si dà un matplotlib NxMx3 array di numeri interi diversi da uint8 o float, i risultati non sono definiti. Tuttavia, guardando il codice sorgente, il behavour dispari può essere compreso:

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

dove A è la matrice dell'immagine. Quindi, se gli dai i valori uint16 0, 1, 2, 3, 4 ..., ottieni 0, 255, 254, 253, ... Sì, sembrerà molto strano. (IMHO, l'interpretazione potrebbe essere un po 'più intuitivo, ma questo è come è fatto.)

---

In questo caso la soluzione più semplice è quella di dividere la matrice da 65535, e quindi l'immagine deve essere il più previsto. Inoltre, se l'immagine originale è veramente lineare, allora avrete bisogno di fare la correzione gamma inversa:

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

caso contrario, i toni medi sarà troppo scura.