如何用cv2处理numpy数组img1？求替代CreateMat的转换方案

你提到尝试用CreateMat转换numpy数组但失败，这很正常——OpenCV在2.x版本之后就完全废弃了CreateMat这类旧API，转而直接原生支持numpy数组作为图像数据结构，所以根本不需要额外转换，只要调整好数据类型和取值范围就能直接用cv2处理你的img1。

结合你提供的DICOM加载代码，下面是具体的处理方案：

关键前提：DICOM图像的特点 #

你的img1是从DICOM序列中提取的2D numpy数组，这类图像通常有两个特点需要注意：

1. 像素值类型多为**16位无符号整数（uint16）**或带有负值的整数（比如CT值），而OpenCV默认更常用8位无符号整数（uint8）的图像；
2. 是单通道灰度图，维度为(行, 列)，符合OpenCV对单通道图像的要求。

方案1：转换为8位灰度图（最常用场景） #

如果你的目标是显示图像、做常规的图像处理（比如边缘检测、滤波），建议先把16位的DICOM图像转换为8位，有两种常用方式：

方法A：自动归一化（快速简便） #

用cv2.convertScaleAbs自动将像素值映射到0-255范围：

import cv2
import numpy as np

# 你的img1是ArrayDicom[:, :, 10]
# 转换为8位灰度图
img_8bit = cv2.convertScaleAbs(img1)

# 现在可以直接用cv2处理了，比如显示图像
cv2.imshow('Processed DICOM Image', img_8bit)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 也可以做其他操作，比如高斯模糊
blurred = cv2.GaussianBlur(img_8bit, (5, 5), 0)

方法B：手动归一化（更灵活） #

如果需要精确控制像素值的映射范围（比如处理带有负值的CT图像），可以手动计算归一化：

# 获取图像的像素极值
min_val = np.min(img1)
max_val = np.max(img1)

# 将像素值线性映射到0-255，并转为uint8类型
img_8bit = ((img1 - min_val) / (max_val - min_val) * 255).astype(np.uint8)

方案2：直接处理16位图像 #

如果需要保留原始的16位像素精度（比如医学图像分析），OpenCV也支持直接处理uint16类型的数组：

# 直接对16位图像做边缘检测
edges = cv2.Canny(img1, threshold1=50, threshold2=150)

# 注意：显示16位图像时，大部分窗口无法直接识别，需要先转为8位再显示
cv2.imshow('16-bit Edge Detection', cv2.convertScaleAbs(edges))
cv2.waitKey(0)
cv2.destroyAllWindows()

常见问题排查 #

如果处理时出现报错，大概率是数据类型不匹配：

• 检查img1.dtype，如果是float32（你代码里ArrayDicom的dtype写法有语法错误，建议修正为dtype=np.float32或dtype=RefDs.pixel_array.dtype），需要先转换为整数类型再处理：

  # 将float32转为uint16（确保值在0-65535范围内）
  img1_uint16 = img1.astype(np.uint16)
  

内容的提问来源于stack exchange，提问作者Navid