如何在Matplotlib外部复用其cmap颜色映射函数？

要复现Matplotlib中viridis这类颜色映射的效果，核心是抓住数据归一化和颜色映射函数两个关键部分，以下是具体实现方式：

• 获取颜色映射实例：通过matplotlib.cm.get_cmap("viridis")拿到viridis的颜色映射对象，这个对象本身就是核心的映射函数。
• 数据归一化：Matplotlib的颜色映射默认接收[0, 1]区间的数值，所以需要先将原始图像数据归一到这个范围，可使用matplotlib.colors.Normalize类完成线性归一（自动将数据的最小值映射到0，最大值映射到1）。
• 执行映射：直接调用颜色映射实例，传入归一化后的数值，就能得到对应的RGBA/RGB三元组。

示例代码 #

import numpy as np
from matplotlib.cm import get_cmap
from matplotlib.colors import Normalize

# 模拟单通道灰度图像数据
image = np.random.rand(100, 100)

# 1. 获取viridis颜色映射
cmap = get_cmap("viridis")
# 2. 归一化数据到[0,1]区间
norm = Normalize(vmin=image.min(), vmax=image.max())
normalized_image = norm(image)
# 3. 执行颜色映射，提取RGB通道
rgb_image = cmap(normalized_image)[..., :3]

脱离Matplotlib环境的方案 #

如果完全不想依赖Matplotlib，可以提前提取颜色映射的查找表（LUT）：

• 在有Matplotlib的环境中，通过cmap.colors获取viridis的所有颜色值（是一个(256, 4)的RGBA数组）
• 自行实现归一化逻辑，将原始数据映射到[0, 255]的索引范围，直接从LUT中取对应的颜色值：

# 提前导出viridis的颜色查找表（在有Matplotlib的环境中执行）
viridis_lut = get_cmap("viridis").colors  # shape (256, 4)

# 自行实现映射逻辑
def map_to_viridis(data):
    # 线性归一到[0, 255]
    norm_data = (data - data.min()) / (data.max() - data.min()) * 255
    # 取整并限制索引范围
    indices = np.clip(np.round(norm_data).astype(int), 0, 255)
    # 返回RGB通道数据
    return viridis_lut[indices][..., :3]

源码参考位置 #

• 颜色映射的核心逻辑在matplotlib/cm.py中的Colormap.__call__方法
• 归一化逻辑在matplotlib/colors.py中的Normalize类

内容的提问来源于stack exchange，提问作者k1m190r