NumPy灰度图转RGB用于CNN迁移学习时信息损坏如何解决

核心原因 #

你遇到的「信息丢失」本质是两个问题共同导致的，转换操作本身并没有丢失灰度数据：

1. plt.imshow渲染单通道数组时，默认会自动适配输入的数值范围做对比度拉伸，同时默认使用伪彩色映射，你看到的「原图」是拉伸后的效果；而渲染三通道RGB数组时，会默认将uint8输入判定为0_{255范围、float输入判定为0}1范围，不会做自动拉伸，数值不符合范围就会出现过暗、过曝的视觉效果。
2. 你的原始灰度数组的数值范围不匹配转换库的默认要求：如果原始数组不是0_{255的uint8格式、也不是0}1的float格式，直接转换后数值会被截断，导致视觉上信息丢失。

解决方法 #

先确认原始数组参数 #

首先执行以下代码查看你灰度数组的数值范围和类型：

print(X[0].min(), X[0].max(), X[0].dtype)

标准化后再转换 #

方案1：适配迁移学习输入（推荐，无信息损失）

直接将灰度数组归一化到0~1范围后堆叠为三通道即可，不需要额外编码转换，完全不会丢失信息，也适配绝大多数预训练CNN的输入要求：

import numpy as np

# 归一化到0~1范围
norm_gray = (X[0] - X[0].min()) / (X[0].max() - X[0].min())
# 堆叠为三通道RGB
rgb_img = np.stack((norm_gray,) * 3, axis=-1)

# 验证显示效果
plt.imshow(rgb_img)
# 直接将rgb_img输入CNN即可

方案2：输出uint8格式的RGB图像

如果需要得到0~255范围的uint8格式RGB图，使用以下代码：

import numpy as np
import cv2
# 先缩放到0~255并转换为uint8
norm_gray = ((X[0] - X[0].min()) / (X[0].max() - X[0].min()) * 255).astype('uint8')
# 任意转换方式都可以正常工作
rgb_img = cv2.cvtColor(norm_gray, cv2.COLOR_GRAY2RGB)

迁移学习适配注意 #

如果使用ImageNet预训练的迁移学习模型，转换得到三通道RGB后，只需要按照对应模型的要求做预处理（比如减去ImageNet数据集均值、除以标准差）即可，三个通道数值一致的灰度转RGB图像不会影响模型的特征提取效果。

内容的提问来源于stack exchange，提问作者Aryagm