Изображение имеет 3 канала, но оно в оттенках серого. Если я изменю его на 1 канал, он перейдет в RGB

Я начал обрабатывать изображения в python и наткнулся на проблему, которая сбивает с толку новичка. У меня есть набор данных из 1131 np массивов (изображений) МРТ на колене. Форма изображений какая-то странная, это (44, 256, 256) означает, что в одном массиве 44 изображения размером 256x256 пикселей. Например, если я покажу 22-е изображение (среднее), с помощью plt.imshow(image[22]) я получу следующее:

Это изображение явно похоже на RGB, но если я делаю image[22].shape, я получаю (256,256), что ожидаемо, но в то же время сбивает с толку, потому что оно говорит, что у него нет каналов, и, насколько я знаю, изображения, у которых нет каналов, должны быть в оттенках серого. цвет, но это явно не тот случай.

Я нырнул глубже и попытался выполнить cv2.cvtColor(image[22, :, :], cv2.COLOR_BGR2RGB), что привело к:

Это похоже на изображение в градациях серого, но форма этого изображения (256, 256, 3). Это так сбивает меня с толку, и может ли кто-нибудь указать, почему это происходит, изображение в градациях серого с 3 каналами и цветное изображение без каналов, и как я могу получить это image[22] в режиме градаций серого с 1 каналом? Мне нужно это в 1 канале, потому что я хочу сделать извлечение функций, но если я сделаю это таким образом, чистый image[22] и вариант «оттенки серого» будут иметь одинаковые значения для каждой функции, но, судя по всему, они не кажутся точно.

Массив numpy (изображение) можно взять из здесь.

Это цветовая карта matplotlib по умолчанию, которую вы видите на первом изображении (называемом Viridis). Это не означает, что изображение не в градациях серого, просто оно отображает его в определенной цветовой карте. Проверьте здесь, как по умолчанию использовать matplotlib в оттенках серого. stackoverflow.com/questions/33185037/…

dm2 14.02.2023 15:52

ваше изображение представляет собой 3D-изображение, а не 2D-изображение с цветами. Каждая из этих 44 - это отдельная "глубина". Скорее всего, это всего лишь несколько кусочков колена.

Ander Biguri 14.02.2023 16:51

Имеет смысл, спасибо, что указали на @AnderBiguri

anthino12 14.02.2023 19:41

если кто-то хочет пометить это как дубликат любого из ранее заданных вопросов в этом направлении...

Christoph Rackwitz 14.02.2023 21:06
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
4
50
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Изображение монохромное, но по умолчанию imshow сопоставляет пиксели с цветовой картой по умолчанию, viridis.

См. https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.imshow.html

В дополнение к ответу @thebiss, если вы измените порядок размеров с помощью transpose(), вы можете просмотреть любые три изображения из вашего стека из 44 в виде RGB с помощью imshow(). В приведенном ниже примере я просматриваю фрагменты 10, 11 и 12.

import numpy as np

data = np.random.random([44,256,256])
datar = np.transpose(data ,axes=(1,2,0))
print(data.shape,datar.shape)

plt.imshow(datar[:,:,10:13])

Другие вопросы по теме