求将像素颜色转换为含油饱和度（0-1或0-100%）的算法

你提供的含油饱和度构造图如下：

之前用亮度公式（0.299R+0.587G+0.144B）得不到合理结果，是因为这类专业地质可视化图的颜色编码是自定义色标映射，和通用亮度逻辑无关，正确的解法需要基于图中的色条（Color Bar）来建立映射关系，具体步骤如下：

1. 提取色标映射基准点 #

• 找到图中的色条（通常在图像边缘，带有数值刻度），选取至少3个有明确数值对应的颜色点，比如色条的最小值端、最大值端，以及中间1-2个刻度点。
• 用图像工具（如Photoshop、GIMP、在线取色器）提取每个点的精确RGB值，同时记录对应的含油饱和度数值（0-100%或0-1）。

2. 建立颜色-饱和度映射模型 #

根据色条的渐变类型选择合适的映射方式：

• 线性渐变色条：直接用线性插值。假设已知两个基准点(R1,G1,B1) → S1和(R2,G2,B2) → S2，对于任意像素的RGB值，先计算其在RGB色彩空间中与两个基准点的距离，找到所属区间后，通过线性比例计算对应的饱和度值。
• 非线性渐变色条：选取更多基准点，用多项式拟合或分段插值的方式构建映射函数，确保拟合结果和色条的渐变趋势一致。
• 更高效的方式是将RGB转换到HSV色彩空间，这类图通常用色相（H）通道区分数值，直接对H通道做线性/非线性映射即可。

3. 批量转换实现示例（Python） #

import cv2
import numpy as np

# 示例：从色条提取的映射点（需替换成你图中的实际值）
color_sat_pairs = [
    (255, 255, 255, 0),    # 白色 → 0% 饱和度
    (180, 180, 255, 25),   # 浅蓝 → 25%
    (0, 0, 255, 50),       # 蓝色 → 50%
    (255, 0, 0, 100)       # 红色 → 100%
]

def get_saturation(r, g, b):
    # 计算当前像素与所有基准点的色彩距离
    dists = []
    for cr, cg, cb, sat in color_sat_pairs:
        # 欧氏距离衡量色彩相似度
        dist = np.sqrt((r-cr)**2 + (g-cg)**2 + (b-cb)**2)
        dists.append((dist, sat))
    # 取最近的两个基准点做线性插值
    dists.sort()
    d1, s1 = dists[0]
    d2, s2 = dists[1]
    if d1 + d2 == 0:
        return s1
    # 插值计算最终饱和度
    return s1 + (s2 - s1) * (d1 / (d1 + d2))

# 读取并处理图像
img = cv2.imread("your_map_image.png")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
height, width = img.shape[:2]

# 生成饱和度映射图
saturation_map = np.zeros((height, width), dtype=np.float32)
for y in range(height):
    for x in range(width):
        r, g, b = img_rgb[y, x]
        saturation_map[y, x] = get_saturation(r, g, b)

# 输出结果（可保存为灰度图或数值文件）
cv2.imwrite("saturation_gray.png", saturation_map)

关键注意事项 #

• 绝对不能依赖通用亮度公式，这类专业图的颜色编码是业务自定义的，和亮度无直接关联。
• 基准点的选取要覆盖色条的全范围，数值对应必须准确，否则映射结果会出现偏差。
• 如果色条有模糊或像素偏差，可对色条区域取平均RGB值来提高精度。

内容的提问来源于stack exchange，提问作者Aramu5ha