matplotlib中cmap、vmin、vmax的内部作用机制解析

核心处理步骤 #

matplotlib 的 imshow 处理图像时，会分两步完成从原始数据到显示颜色的转换：数值归一化和颜色映射，以下是具体细节：

1. 基于 vmin 和 vmax 的数值归一化 #

当你指定 vmin=0.2 和 vmax=0.9 时，matplotlib 会先对输入的 IMG 矩阵做线性归一化，同时将超出范围的值"钳位"（clamp）到边界：

• 所有小于等于 vmin（0.2）的数值会被强制设为 0
• 所有大于等于 vmax（0.9）的数值会被强制设为 1
• 介于 0.2 和 0.9 之间的数值，按公式 (x - vmin) / (vmax - vmin) 缩放到 [0,1] 区间

举个具体数值例子：

• 原始值 0 → 归一化后 0
• 原始值 0.2 → 归一化后 0
• 原始值 0.55 → (0.55-0.2)/(0.9-0.2) = 0.5
• 原始值 0.9 → 归一化后 1
• 原始值 1 → 归一化后 1

2. 基于 cmap 的颜色映射 #

归一化后的 [0,1] 数值会被映射到指定的 colormap（这里是 hot）对应的 RGB 颜色。hot 色表的渐变逻辑是：

• 0 → 纯黑色 (0,0,0)
• 从 0 到 1，颜色逐渐从黑→红→橙→黄→白
• 1 → 纯白色 (1,1,1)

每个归一化后的值都会通过色表查找得到对应的 RGB 三元组（范围 [0,1]），最终形成一个三维的 RGB 图像（形状为 (H,W,3)）。

复现处理流程的代码演示 #

下面的代码会手动复现 imshow 的处理过程，得到可以直接用于后续处理的 RGB 图像：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import Normalize

# 生成测试用的二维灰度图像（范围 [0,1]，float64）
IMG = np.linspace(0, 1, 100*100).reshape(100, 100).astype(np.float64)

# 步骤1：应用 vmin/vmax 归一化
norm = Normalize(vmin=0.2, vmax=0.9)
normalized_img = norm(IMG)

# 步骤2：应用 hot 色表映射
cmap = plt.get_cmap('hot')
processed_rgb = cmap(normalized_img)

# 去掉 alpha 通道（imshow 默认不显示 alpha 通道）
processed_rgb = processed_rgb[..., :3]

# 对比原始图像和处理后的 RGB 图像
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
ax1.imshow(IMG, cmap='gray')
ax1.set_title('原始灰度图像')
ax2.imshow(processed_rgb)
ax2.set_title('复现 imshow(cmap="hot", vmin=0.2, vmax=0.9) 的结果')
plt.show()

# 输出几个关键位置的数值验证
print("原始值 0 → 归一化值:", normalized_img[0,0])
print("原始值 0.2 → 归一化值:", normalized_img[0,20])
print("原始值 0.55 → 归一化值:", normalized_img[0,55])
print("原始值 0.9 → 归一化值:", normalized_img[0,90])
print("原始值 1 → 归一化值:", normalized_img[0,99])

实用注意事项 #

• 如果你需要适配多数图像处理函数的输入格式，可以将 processed_rgb 转换为 uint8 类型：processed_rgb_uint8 = (processed_rgb * 255).astype(np.uint8)
• cmap(normalized_img) 默认返回 RGBA 数组，若无需透明通道，直接取前三个维度即可。

内容的提问来源于stack exchange，提问作者Key76