如何使用Numpy实现RGB图像色标数字化及目标区域数值分析

核心实现步骤 #

1. 色标区域提取与映射关系构建 #

首先需要确定色标在整图中的像素坐标范围，你的示例图中色标为最右侧垂直分布，从上到下对应测量值-10到30：

• 裁剪出色标区域的numpy数组：假设原图数组形状为(H, W, 3)，色标x范围可设为[W-30, W-10]，y范围设为[50, H-50]（可根据实际图像微调坐标），沿y轴对色标每个位置取x方向的平均RGB，得到色标的RGB序列colorbar_rgb，长度等于色标高度
• 生成色标对应的测量值序列：默认线性分布的情况下直接用np.linspace(-10, 30, len(colorbar_rgb))得到每个RGB对应的基准测量值
• 为提升匹配精度，建议将RGB转换为LAB色彩空间，避免RGB空间色差计算与人眼感知不一致的问题，转换可借助OpenCV的cv2.cvtColor实现

代码示例：

import numpy as np
import cv2
from scipy.spatial import cKDTree

# 变量说明：dicom_arr为你提取的三维numpy数组，形状为(H, W, 3)
H, W = dicom_arr.shape[:2]
# 色标坐标配置，可根据你的图像实际尺寸调整
colorbar_x_start, colorbar_x_end = W - 30, W - 10
colorbar_y_start, colorbar_y_end = 50, H - 50
# 提取色标区域
colorbar_area = dicom_arr[colorbar_y_start:colorbar_y_end, colorbar_x_start:colorbar_x_end, :]
# 沿x轴取平均得到每个y位置的基准RGB
colorbar_rgb = np.mean(colorbar_area, axis=1)
# 转换为LAB色彩空间
colorbar_lab = cv2.cvtColor(colorbar_rgb.reshape(-1, 1, 3).astype(np.uint8), cv2.COLOR_RGB2LAB).reshape(-1, 3)
# 生成色标对应的测量值序列
colorbar_values = np.linspace(-10, 30, len(colorbar_lab))
# 构建KD树用于后续快速色差匹配
kdt = cKDTree(colorbar_lab)

2. 计算目标区域平均RGB #

先确定目标方格的坐标范围，裁剪后取区域平均值即可：

# 目标方格坐标，根据你的实际需求修改
y1, y2, x1, x2 = 100, 150, 200, 250
roi_area = dicom_arr[y1:y2, x1:x2, :]
roi_avg_rgb = np.mean(roi_area, axis=(0,1)).reshape(1, 1, 3).astype(np.uint8)
# 同样转换为LAB空间保证匹配精度
roi_avg_lab = cv2.cvtColor(roi_avg_rgb, cv2.COLOR_RGB2LAB).reshape(1, 3)

3. 匹配得到对应测量值 #

用KD树查找最接近的色标LAB值对应的测量值，若需要更高的平滑度可选择前N个近邻做加权平均：

# 匹配最近的1个色标点，返回距离和对应索引
dist, idx = kdt.query(roi_avg_lab, k=1)
result_value = colorbar_values[idx[0]]

# 可选优化方案：取前3个近邻做距离加权平均，减少匹配误差
# dist, idx = kdt.query(roi_avg_lab, k=3)
# weights = 1 / (dist + 1e-6) # 加极小值避免除零
# result_value = np.sum(weights * colorbar_values[idx]) / np.sum(weights)

注意事项 #

• 色标坐标需要根据你的实际DICOM图像尺寸手动校准，确保裁剪的是纯色标区域，不要包含周围的刻度文字
• 如果色标不是线性分布，可以提前标注色标上的刻度点位置和对应数值，用插值方式生成完整的色标数值序列
• 如果DICOM图像存在伽马校正或色彩偏移，可先对整图做色彩校正后再做映射

内容的提问来源于stack exchange，提问作者ocns