如何处理像素数组使QLabel显示效果匹配matplotlib cmap="gray"？

核心差异 #

Qt的Format_Grayscale16直接使用原始16位像素值显示，若你的数据集像素值动态范围未占满0-65535（比如DICOM的HU值），就会出现显示偏暗的情况；而Matplotlib的imshow(cmap="grey")默认会自动将像素的最小值映射到0（黑）、最大值映射到255（白），做了对比度拉伸，所以显示更明亮清晰。

解决方法 #

方法1：手动做全局对比度拉伸（匹配Matplotlib默认效果）

直接将像素值归一化到0-65535的16位范围，代码修改如下：

import numpy as np
from pydicom import dcmread
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt

ds = dcmread(filepath)
pixel_data = ds.pixel_array

# 计算像素值的最小/最大值
min_val = pixel_data.min()
max_val = pixel_data.max()

# 避免除以0的情况
if max_val != min_val:
    # 归一化到0-65535并转成uint16类型
    stretched_data = ((pixel_data - min_val) / (max_val - min_val) * 65535).astype(np.uint16)
else:
    stretched_data = np.zeros_like(pixel_data, dtype=np.uint16)

# 创建QImage并显示
imQt = QImage(stretched_data.data, ds.Columns, ds.Rows, ds.Columns * 2, QImage.Format.Format_Grayscale16)
pix = QPixmap.fromImage(imQt)
Img_View_label.setPixmap(pix.scaled(Img_View_label.width(), Img_View_label.height(), Qt.AspectRatioMode.KeepAspectRatio))

方法2：针对DICOM图像使用窗宽窗位（专业医学图像显示）

如果是DICOM格式的医学图像，应该用其自带的窗宽窗位参数来调整显示，这是行业标准做法：

import numpy as np
from pydicom import dcmread
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt

ds = dcmread(filepath)
pixel_data = ds.pixel_array

# 获取DICOM头中的窗宽窗位，无参数时用默认值
window_center = ds.WindowCenter if 'WindowCenter' in ds else pixel_data.mean()
window_width = ds.WindowWidth if 'WindowWidth' in ds else pixel_data.max() - pixel_data.min()

# 计算窗的上下边界
lower_bound = window_center - window_width / 2
upper_bound = window_center + window_width / 2

# 截断超出范围的像素，再映射到0-65535
windowed_data = np.clip(pixel_data, lower_bound, upper_bound)
stretched_data = ((windowed_data - lower_bound) / (upper_bound - lower_bound) * 65535).astype(np.uint16)

# 创建QImage并显示
imQt = QImage(stretched_data.data, ds.Columns, ds.Rows, ds.Columns * 2, QImage.Format.Format_Grayscale16)
pix = QPixmap.fromImage(imQt)
Img_View_label.setPixmap(pix.scaled(Img_View_label.width(), Img_View_label.height(), Qt.AspectRatioMode.KeepAspectRatio))

说明 #

• 方法1完全对齐Matplotlib的默认显示逻辑，适合普通16位灰度数据集；
• 方法2适合医学DICOM图像，显示效果更符合临床阅片的标准。

内容的提问来源于stack exchange，提问作者0_o