如何用Python从带色标的栅格中还原真实数据？

核心原理 #

Matplotlib的色标（Colormap）本质是将**归一化后的原始数据（范围0-1）**映射为RGB值。反向还原的关键是：先把RGB像素值匹配回色标对应的归一化值，再通过原始数据的min和max反归一化得到真实数据。

具体实现方案 #

可以借助Matplotlib的Colormap类和numpy数组操作来实现，以下是符合需求的代码示例：

import numpy as np
from matplotlib import cm
from PIL import Image

def reverse_colormap_rgb_to_data(img_path, data_min, data_max, colormap_name='viridis'):
    # 1. 读取RGB Tiff并转换为0-1范围的数组
    img = Image.open(img_path).convert('RGB')  # 确保是RGB格式，丢弃Alpha通道
    rgb_array = np.array(img) / 255.0  # 转换为0-1的float数组，形状为(H, W, 3)
    
    # 2. 加载目标色标，并获取其RGB查找表
    cmap = cm.get_cmap(colormap_name)
    # 色标查找表：256个条目，每个条目是(R, G, B, A)，取前3个通道并转置为(3, 256)
    cmap_rgb = cmap(np.linspace(0, 1, 256))[:, :3].T
    
    # 3. 计算每个RGB像素与色标查找表的欧氏距离，找到最匹配的归一化值
    # 扩展维度以便广播计算：rgb_array形状(H,W,3) → (H,W,3,1)，cmap_rgb形状(3,256) → (1,1,3,256)
    distances = np.sqrt(np.sum((rgb_array[..., np.newaxis] - cmap_rgb)**2, axis=2))
    normalized_values = np.argmin(distances, axis=2) / 255.0  # 匹配到的索引转0-1归一化值
    
    # 4. 反归一化得到真实数据
    actual_data = normalized_values * (data_max - data_min) + data_min
    return actual_data

关键细节说明 #

• RGB范围转换：Tiff中的RGB值通常是0-255的整数，需要先转换为0-1的浮点数，和Matplotlib色标的输出范围对齐。
• 色标匹配方式：这里用欧氏距离查找最接近的色标条目，Matplotlib默认色标是256级离散映射，这种方式能快速匹配。如果是连续色标，也可以用更精细的插值方式，但256级精度对多数场景足够。
• 误差注意：如果原始RGB图像有压缩损失、噪声，或者色标生成时用了不同的插值参数，反向还原会存在一定误差，需要确保色标参数和生成RGB图像时完全一致。

替代工具 #

如果需要更高精度的反向映射，可以使用matplotlib.colors.Normalize类配合色标的反向查找，但核心逻辑和上述代码一致。

内容的提问来源于stack exchange，提问作者ettelephonne