如何生成可表示三维空间角度的二维色彩映射图

核心思路 #

你要实现的是单半球三维方向到RGB的连续映射，核心是利用色彩空间的连续属性保证角度与色彩的对应关系：

• 方向的角度差异对应色彩的感知差异
• 方位角的环形特性匹配HSV色彩空间色相通道的环形分布，天然满足单维度环形一致性要求

方案1：极简通用实现（业界标准调试方案） #

无需额外色彩空间转换，直接将归一化后的法向量分量映射到RGB通道，实现成本最低，适合大部分开发调试场景：

import numpy as np
import cv2

# 输入：HxWx3的法向量数组 normal_map
# 1. 对每个点的三维向量做L2归一化，消除模长影响仅保留方向
norm = np.linalg.norm(normal_map, axis=2, keepdims=True)
normal_normalized = normal_map / (norm + 1e-8)  # 加极小值避免除0错误

# 2. 将法向量分量从[-1,1]区间线性映射到RGB的[0,255]区间
normal_rgb = ((normal_normalized + 1) / 2 * 255).astype(np.uint8)

# 可选：OpenCV默认BGR通道顺序，保存前需转换
normal_rgb_bgr = cv2.cvtColor(normal_rgb, cv2.COLOR_RGB2BGR)
cv2.imwrite("normal_visualization.jpg", normal_rgb_bgr)

该方案的映射规则：

• R通道对应x分量：x=-1→R=0，x=1→R=255
• G通道对应y分量：y=-1→G=0，y=1→G=255
• B通道对应z分量：z=-1→B=0，z=1→B=255

方案2：严格满足环形一致性的HSV映射实现 #

如果需要方位角严格对应环形色彩分布，用HSV色彩空间做映射，完全匹配你的需求：

import numpy as np
import cv2

# 输入：HxWx3的法向量数组 normal_map，约定z≥0（仅处理单半球）
H, W = normal_map.shape[:2]
# 1. 法向量归一化
norm = np.linalg.norm(normal_map, axis=2, keepdims=True)
n = normal_map / (norm + 1e-8)
nx, ny, nz = n[..., 0], n[..., 1], n[..., 2]

# 2. 方位角映射到HSV的色相（H）通道，天然满足环形一致性
phi = np.arctan2(ny, nx)  # 方位角范围[-π, π]
h_channel = (phi + np.pi) / (2 * np.pi)  # 线性映射到[0,1]区间

# 3. 极角（与z轴的夹角）映射到HSV的饱和度（S）通道
theta = np.arccos(np.clip(nz, -1, 1))  # 截断数值避免计算误差报错
s_channel = theta / (np.pi / 2)  # 单半球极角范围[0, π/2]，映射到[0,1]

# 4. 明度（V）通道固定为最大值1，保证色彩明亮度一致
v_channel = np.ones_like(h_channel)

# 5. HSV转RGB输出
hsv = np.stack([h_channel, s_channel, v_channel], axis=-1)
# 适配OpenCV的HSV格式要求：H范围0-179，S/V范围0-255
hsv_cv = (hsv * [179, 255, 255]).astype(np.uint8)
normal_rgb = cv2.cvtColor(hsv_cv, cv2.COLOR_HSV2RGB)

# 可选：处理单半球外的负z点，置为黑色背景
mask = nz < 0
normal_rgb[mask] = 0

该方案的映射规则：

• 方位角相差越大，色相差越大，方位角相同的点色相完全一致
• 极角越大（方向越偏离z轴），色彩饱和度越高，区分度更强

方案对比 #

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