RGBA高度色图转高度矩阵及表面粗糙度Ra计算方法问询

误差原因说明 #

你之前直接用HSV色相映射高度的方法偏差大，核心原因是这类蓝红渐变的Jet系列色卡的RGB到高度的映射并非线性对应色相值，且映射过程没有绑定你实际使用的色标参数。正确的实现思路是基于你所用的色标建立RGB到高度的查找表，再做像素匹配映射。 #

Python实现方案 #

依赖库：numpy、opencv-python

实现步骤 #

• 提取色标颜色序列：从色标最底端（蓝色，对应-10μm）到最顶端（红色，对应10μm）采样RGB值，生成色值-高度对应查找表
• 加载待处理形貌图，剔除预设的边缘区域
• 对每个像素的RGB值，在查找表中做最小欧氏距离匹配，得到对应高度值，生成二维高度矩阵
• 基于高度矩阵计算算术平均粗糙度Ra

参考代码 #

import cv2
import numpy as np

def build_lut(min_val=-10, max_val=10, sample_num=256):
    # 此处替换为你从实际色标采样得到的RGB序列，按蓝到红顺序排列
    # 以下为标准Jet色卡采样示例，实际使用请替换为你的色标采样值
    jet_colors = cv2.applyColorMap(np.arange(sample_num, dtype=np.uint8), cv2.COLORMAP_JET)
    lut_rgb = []
    lut_height = []
    for i in range(sample_num):
        lut_rgb.append(jet_colors[i][0])
        lut_height.append(min_val + (max_val - min_val) * i / (sample_num-1))
    return np.array(lut_rgb), np.array(lut_height)

def rgb_to_height(img_rgb, lut_rgb, lut_height):
    height, width = img_rgb.shape[:2]
    height_mat = np.zeros((height, width), dtype=np.float32)
    for i in range(height):
        for j in range(width):
            pixel = img_rgb[i,j]
            # 计算像素与所有色标值的曼哈顿距离，取最小的对应高度
            dist = np.sum(np.abs(lut_rgb - pixel), axis=1)
            min_idx = np.argmin(dist)
            height_mat[i,j] = lut_height[min_idx]
    return height_mat

# 主流程
if __name__ == "__main__":
    # 加载图像，RGBA转RGB
    img = cv2.imread("你的形貌图路径.png", cv2.IMREAD_UNCHANGED)
    if img.shape[-1] == 4:
        img = cv2.cvtColor(img, cv2.COLOR_BGRA2BGR)
    # 剔除边缘，例如上下左右各裁掉20像素，可按需调整
    crop_pix = 20
    img_crop = img[crop_pix:-crop_pix, crop_pix:-crop_pix]
    # 构建查找表
    lut_rgb, lut_height = build_lut()
    # 生成高度矩阵
    height_mat = rgb_to_height(img_crop, lut_rgb, lut_height)
    # 计算Ra：算术平均高度偏差
    z_mean = np.mean(height_mat)
    Ra = np.mean(np.abs(height_mat - z_mean))
    print(f"计算得到的Ra值：{Ra:.4f} μm")

Matlab实现方案 #

参考代码 #

% 加载图像
img = imread('你的形貌图路径.png');
% RGBA转RGB
if size(img,3) ==4
    img = img(:,:,1:3);
end
% 剔除边缘，可按需调整裁剪像素
crop_pix = 20;
img_crop = img(crop_pix:end-crop_pix, crop_pix:end-crop_pix,:);
% 构建色标查找表，替换为你实际色标的采样值
sample_num = 256;
jet_colors = jet(sample_num)*255;
min_h = -10; 
max_h =10;
height_list = linspace(min_h, max_h, sample_num);
% 生成高度矩阵
[h,w,~] = size(img_crop);
height_mat = zeros(h,w);
for i =1:h
    for j=1:w
        pixel = double(squeeze(img_crop(i,j,:)));
        dist = sum(abs(jet_colors - pixel'),2);
        [~,min_idx] = min(dist);
        height_mat(i,j) = height_list(min_idx);
    end
end
% 计算Ra
z_mean = mean(height_mat(:));
Ra = mean(abs(height_mat(:) - z_mean));
fprintf('计算得到的Ra值：%.4f μm\n', Ra);

精度优化建议 #

• 色标采样时尽量多取采样点，可直接对色标图按垂直方向逐行采样平均得到色值序列，避免手动采样误差
• 对像素匹配可改用加权RGB距离匹配，或插值法进一步提升映射精度
• 若色图存在光照不均问题，可先做灰度世界法白平衡校正再做映射

内容的提问来源于stack exchange，提问作者Five