文章目录
 
彩色图像映射表
颜色模型
国际照明组织-CIE色度空间（Commission Internationale de L'Eclairage，色度图）
RGB颜色模型
HSV颜色模型
CMKY颜色模型
YUV颜色模型
  
颜色编码
参考文献

 
彩色图像映射表
 
matlab里边有一个colormap函数，能够将当前颜色映射表设置为某些预定义了的颜色映射表，包括
 
原始
parula
jet
hsv
hot
cool
spring
summer
autumn
winter
gray
bone
copper
pink
lines
colorcube
prism
flag

这些颜色映射表只包含了81种颜色，但是却绘出了各种风格的彩色图像。真彩色图像究竟应该如何定义？具有$2^{8\ast 8\ast 8}$种颜色的就是彩色图像？这$2^{8\ast 8\ast 8}$种颜色之间的欧式距离怎么确定？在讨论这些问题之前，我们必须确定一下颜色模型，在这个统一的基础之上，我们才能看出各个颜色模型的侧重点和构建原理，才能推出各个颜色模型之间的转换公式。
 
 
颜色模型
 
国际照明组织-CIE色度空间（Commission Internationale de L’Eclairage，色度图）
 
许许多多的颜色模型源于各式各样的相关设备（彩色电视机、彩色显示屏、彩色打印机）的出现。
 物体的颜色既取决于外界的物理刺激，又取决于人眼的视觉特性，颜色的测量和标定应该符合人眼的视觉特性。
 标准化的目的主要有：
 
方便查找补色、颜色生成
促进相关设备的兼容以及彩色图片格式的统一化
 
CIE色度图是现代色度学的基石，里边存在诸多技术细节，理解起来比较困难，此前一直觉得是自己想复杂了，可是现在发现是很多资料讲不清楚，浅尝辄止。
 17~18世纪，一系列实验证实了古希腊人“万物由原子构成”的猜想。受此启发，科学家们开始思考一个问题：能不能找到颜色的“原子”呢？
 
[1704-Newton] 颜色的本质是光
[1854-格拉斯曼颜色替代律] 同色异谱现象（如果A=B,C=D，那么AC=BD。其中，“=”代表颜色外观一致，即所谓的“颜色匹配”）
[1855-Maxwell]红绿蓝三种色光混合，可以生成各种色调的颜色
[1860-Helmholtz]人眼的红绿蓝三种视觉细胞的颜色响应假象曲线（现代修正图上的三个峰值对应的坐标分别为：420nm,534nm,564nm;三者的工作频段是相互交叠的，不是单独的窄带。也即，对红（绿，蓝）光敏感的视觉细胞不只响应红（绿，蓝）色光，而是对整个波段的光都有响应的响应。进一步的说：所有的颜色响应都是纠缠在一起的，没有办法择干净）
 
这说明颜色叠加规律是线性的，想要复现某个颜色的时候，不需要复制一个一模一样的光谱。只需要掌握某种混合规律，就可以用另一种光谱得到一个相同的颜色。
 关于红绿蓝是不是颜色的“原子”这个问题（也即，”是不是所有的颜色都可以拆分成红黄蓝的组合“或“红黄蓝三色光相加，能不能生成所有人类能够感知到的颜色？”），科学家的答案是：能，然而也不能[1931-J.Guild：The Colorimetric Properties of the Spectrum-光谱色的色度特性]。实验结果是
 
任意一种光谱都可以拆解成（380nm~680nm）单色光的组合
任意一个单色光都可以拆解成三原色光的组合（虽然可能有负数值）
任意一种组合都只能形成一种颜色，一旦三原色光的配比值确定了，颜色外观也就确定了
 
到现在为止，我们可以采用实验中所使用的RGB给颜色编号（用配比系数向量作为编号向量），这是科学家花费300年得出的结论：380nm~780nm之间的光谱曲线用3个数据就能唯一标识（归一化之后只需要两个）。那么原色光又是什么东西？该怎么确定呢？在“原子结构内蕴含的哲学思考”一文中再细细思考这个问题吧！
 
 
过去以Munsell color system为代表的表色法，是根据物体最后呈现出来的颜色外观来编号的，也就是所谓的“显色系统表色法”，他会根据人对颜色的心理感受（色调/色相Hue、明度Value、饱和度/纯度Chroma）来对颜色进行编号和排序，因此我猜想文章开头给出的那18个Matlab预定义的Colormap也是其中的一种。
 而以CIE 1931系统为代表的的表色法，是根据三原色的混合规律来编码各个颜色的，叫做“混色系统表色法”。颜色的色调、明度、饱和度等特性在这个表色法里边表现不明显。
 虽然CIE 1931系统一眼看去，既不直观又不顺眼，但是他有一个堪称“必杀技”的优点：可以精确地预测混色结果。也就是说：如果已知两个颜色的光谱数据，就可以用简单的计算方法，准确地知道他们混合之后的新颜色长什么样（前提是实验测出了精确的可供你查询的色度表，比如公认的CIE色度图），色度图的主要规律如下：
 
[颜色混合线性规律]两个颜色混合后的新颜色，一定位于两者连线之上
[所有人眼能识别出来的颜色，都有单色光相加而成，色度图中任意两点画出来的线段，就是“人眼能看见的所有颜色”]
[经过CIE的刻意设计] 确定了一个等能白光E点和一个标准白光C点（C相当于中午阳光的颜色，比E的色温高一点），两者附近有一大片，都是各种不同的白色，他们的饱和度都为0（因此又称为消色），位于边界处的颜色都是饱和度最高的颜色（边界由左上角曲线和右下角斜线构成，曲线表示所有单色光，斜线表示谱外光的轨迹）
 
CIE模型只是一个标准，可是实际的灯光设备、显示器未必会遵循上述标准进行制作，或者可能由于发光器件的特性没有办法完全实现上述标准（存在不同程度的误差），具体情况还得具体分析，而且实际应用不会对精确度有很高的要求。主要涉及如下几个方面：
 
彩色显示器设计
彩色打印机设计
 
RGB颜色模型
 
HSV颜色模型
 
CMKY颜色模型
 
YUV颜色模型
 
YUV，是一种颜色编码方法，常使用在各个视频处理组件中。YUV在对照片或视频编码时，考虑到人类的感知能力，允许降低色度的带宽。“Y”表示明亮度（Luminance、Luma），“U”和“V”则是色度、浓度（Chrominance、Chroma）。
 Y’UV、YUV、YCbCr、YPbPr 几个概念其实是一回事儿。由于历史关系，Y’UV、YUV 主要是用在彩色电视中，用于模拟信号表示。YCbCr 是用在数字视频、图像的压缩和传输，如 MPEG、JPEG。今天大家所讲的 YUV 其实就是指 YCbCr。
 Y’UV 设计的初衷是为了使彩色电视能够兼容黑白电视。对于黑白电视信号，没有色度信息也就是(UV)，那么在彩色电视显示的时候指显示亮度信息。
 Y’UV 不是 Absolute Color Space，只是一种 RGB 的信息编码，实际的显示还是通过 RGB 来显示。Y’，U，V 叫做不同的 component 。
 
 
颜色编码
 
参考文献
 
[1] CMF色彩学大杀器·CIE色度图：http://www.360doc.com/content/17/0226/12/31887026_632123788.shtml
 [2] 色彩学大杀器·CIE色度图（中）：http://www.360doc.com/content/17/0305/12/31887026_634131798.shtml

效果图
 

 猫映射（Cat映射），也称为Arnold映射，由俄国数学家弗拉基米尔·阿诺德（Vladimir Igorevich Arnold）提出，在Arnold授课的时候经常使用猫的图像作为例子，故称为“猫映射”。这是一种在有限区域内进行反复折叠、拉伸变换的混沌映射方法，一般应用于多媒体混沌加密中。
 
Arnold也算一种比较主要的置乱算法，算法由以下变换公式产生：
 
 其中xn,yn表示变换前灰度图中像素的位置，xn+1,yn+1表示变换之后的像素位置，a,b为参数，n表示当前变换的次数，N为图像的长或宽（由于该算法只适用于长宽相等的图像，所以我们不讨论M不等于N的情况），mod为模运算。
 
有了正变换公式，我们还需要反变换公式。
 公式如下：
 
 两个变换矩阵正好是求逆的关系。
 
数字图像可以看为一个二维矩阵,经过Arnold变换之后图像的像素位置会重新排列,这样图像会显得杂乱无章,从而实现了对图像的置乱加密效果。
 
代码1：输入图片只能是灰度图，且长宽一样
 
clear all;
close all;
clc;

img=imread('3.jpg');%读取图片，相对路径，图像必须是正方形，否则不具备Arnold变换的条件，可进行拓延处理
imshow(img,[])
[h,w]=size(img);

%置乱与复原的共同参数,就相当于密码，有了这几个参数，图片就可以复原
n=10;%迭代次数
a=3;b=5;
N=h;%N代表图像宽高，宽高要一样

%置乱操作
imgn=zeros(h,w);
for i=1:n
    for y=1:h
        for x=1:w           
            xx=mod((x-1)+b*(y-1),N)+1;   %mod(a,b)就是a除以b的余数
            yy=mod(a*(x-1)+(a*b+1)*(y-1),N)+1;        
            imgn(yy,xx)=img(y,x);                
        end
    end
    img=imgn;
end
figure;
imshow(imgn,[])%治乱后的图片

%复原
img=imgn;
for i=1:n
    for y=1:h
        for x=1:w            
            xx=mod((a*b+1)*(x-1)-b*(y-1),N)+1;
            yy=mod(-a*(x-1)+(y-1),N)+1  ;        
            imgn(yy,xx)=img(y,x);                   
        end
    end
    img=imgn;
end
figure
imshow(imgn,[])%复原的图片
 
代码2：基于代码1稍微修改了一下，但是本质一样的
 
和代码1区别：
 1、加入保存置乱图片和读取置乱图片的功能。
 2、支持彩色图片，但是复原后只能是灰度图。
 3、支持长宽不一致图片读入，但是复原后会造成部分失真。
 
clear all;
close all;
clc;

img=imread('1.jpg');%读取图片，相对路径，图像必须是正方形，否则不具备Arnold变换的条件，可进行拓延处理
mysize=size(img);%当只有一个输出参数时，返回一个行向量，该行向量的第一个元素时矩阵的行数，第二个元素是矩阵的列数。
if numel(mysize)>2%如果是彩色图像
   img=rgb2gray(img); %将彩色图像转换为灰度图像
   fprintf("图像为彩色图");
end
imshow(img,[])
[h,w]=size(img);
if h>w
    img = imresize(img, [w w]);
    fprintf("图像长宽不一样，图像可能失真");
end
if h<w
    img = imresize(img, [h h]);  
    fprintf("图像长宽不一样,图像可能失真");
end
[h,w]=size(img);

%置乱与复原的共同参数,就相当于密码，有了这几个参数，图片就可以复原
n=10;%迭代次数
a=3;b=5;
N=h;%N代表图像宽高，宽高要一样

%置乱操作
imgn=zeros(h,w);
for i=1:n
    for y=1:h
        for x=1:w           
            xx=mod((x-1)+b*(y-1),N)+1;   %mod(a,b)就是a除以b的余数
            yy=mod(a*(x-1)+(a*b+1)*(y-1),N)+1;        
            imgn(yy,xx)=img(y,x);                
        end
    end
    img=imgn;
end
imgn = uint8(imgn);

figure
imshow(img,[])%治乱后的图片
imwrite(imgn,'zhiluan.jpg');



%复原

img2=imread('zhiluan.jpg');%读取图片
for i=1:n
    for y=1:h
        for x=1:w            
            xx=mod((a*b+1)*(x-1)-b*(y-1),N)+1;
            yy=mod(-a*(x-1)+(y-1),N)+1  ;        
            imgn(yy,xx)=img2(y,x);                   
        end
    end
    img2=imgn;
end
imgn = uint8(imgn);
figure
imshow(imgn,[])%复原的图片
imwrite(imgn,'fuyuan.jpg');
 
效果图
 

算法：通过三个不同函数（这里是三个分段线性函数），将一个灰度值映射三个不同灰度值，分别保存在三个不同的矩阵中，
再把三个矩阵的值分别赋值到一个新矩阵的三个通道中，这个新矩阵就是伪彩色图像矩阵，这样就由一张灰度图，得到一张伪彩色图片。
三个映射函数如下：



1. matlab代码：
%题目：基于灰度变换的伪彩色方法
%意义：将亮度低的映射为蓝色(冷色)，亮度高的映射为红色（暖色）。
%方法：分别用三个矩阵保存，三个通道的灰度值。每个通道的灰度值，有不同的映射函数。
% 输入灰度级        输出彩色
% 0～63  1/4         蓝色
% 64～127 2/4        紫色
% 128～191 3/4       黄色
% 192～255  4/4      红色
clc;
clear;
grayImage=rgb2gray(imread('D:\Code\Image\girl.jpg'));
figure,imshow(grayImage);
[row,col]=size(grayImage);
range=255;%每个通道的最大灰度值

R = zeros(row,col);
G = zeros(row,col);
B = zeros(row,col);
for i=1:row
     for j=1:col
        if grayImage(i,j)<=range/4% [0,64]偏蓝
            R(i,j)=0;
            G(i,j)=4*grayImage(i,j);
            B(i,j)=range;
            else if grayImage(i,j)<=range/2% (64,128] 偏紫
                 R(i,j)=0;
                 G(i,j)=range;
                 B(i,j)=-4*grayImage(i,j)+2*range;
                else if grayImage(i,j)<=3*range/4% (128, 192]
                        R(i,j)=4*grayImage(i,j)-2*range;
                        G(i,j)=range;
                        B(i,j)=0;
                     else
                        R(i,j)=range;
                        G(i,j)=4*(range-grayImage(i,j));
                        B(i,j)=0;
                    end
                end
        end
    end
end

out = zeros(row,col);
for i=1:row
    for j=1:col
              out(i,j,1)=R(i,j);
              out(i,j,2)=G(i,j);
              out(i,j,3)=B(i,j);
    end
end

out=out/256;
figure,imshow(out);
2. C++实现：
#include <opencv2/opencv.hpp>
using namespace cv;

int main()
{
	Mat grayImg = imread("D:/Code/Image/girl.jpg", 0);
	imshow("原图", grayImg);

	Mat R = grayImg.clone();
	Mat G = grayImg.clone();
	Mat B = grayImg.clone();

	int rows = grayImg.rows;
	int cols = grayImg.cols;
	for (int i = 0; i < rows; i++)
	{
		for (int j = 0; j < cols; j++)
		{
			int current = grayImg.at<uchar>(i, j);
			if (0 < current && current <= 64)
			{
				R.at<uchar>(i, j) = 0;
				G.at<uchar>(i, j) = 4 * current;
				B.at<uchar>(i, j) = 255;
			}
			else if (64 < current && current <= 128)
			{
				R.at<uchar>(i, j) = 0;
				G.at<uchar>(i, j) = 255;
				B.at<uchar>(i, j) = -4 * (current - 64) + 255;
			}
			else if (128 < current && current <= 192)
			{
				R.at<uchar>(i, j) = 4 * (current - 128);
				G.at<uchar>(i, j) = 255;
				B.at<uchar>(i, j) = 0;
			}
			else
			{
				R.at<uchar>(i, j) = 255;
				G.at<uchar>(i, j) = -4 * (current - 255);
				B.at<uchar>(i, j) = 0;
			}


		}
	}

	Mat channels[3];  //定义对象数组，分别存储三个通道
	Mat pseuMat;      //融合三个通道，存储在一个Mat里
	channels[0] = B;
	channels[1] = G;
	channels[2] = R;

	merge(channels, 3, pseuMat);
	imshow("效果图", pseuMat);

	waitKey(0);
	return 0;
}
效果如下：

Matlab：如何将暗光环境下的成像可视化以及灰度图映射成彩色图像？
 


 
文章目录
 
Matlab：如何将暗光环境下的成像可视化以及灰度图映射成彩色图像？
主题内容：将暗光环境下的小鼠体内的放射性元素成像与小鼠图像进行融合。（原图的格式采用tiff格式，[本文涉及的素材及代码均已上传]( https://pan.baidu.com/s/1AKDbWgjhYQnmOM0KtkN9tA )（提取码: sxf4））
一：将暗光环境下的成像可视化？
二：如何进行灰度图的颜色映射？
三:代码的整合：
四：最终的效果展示：
  
 

 
主题内容：将暗光环境下的小鼠体内的放射性元素成像与小鼠图像进行融合。（原图的格式采用tiff格式，本文涉及的素材及代码均已上传（提取码: sxf4））
 
 
一：将暗光环境下的成像可视化？
 
 
 
​ 采用矩阵的点称对原图像素值进行可视化变换。
 
 
pet=imread('E:/photograph.tif');%小鼠图像
pet=double(pet);%将像素转换成double类型
pet1=pet.^(0.4+0.05*6);
imshow(uint8(pet1));%显示可视化图像，这里将类型还原成整数类型显示

tumor=imread('E:/tumors.tif');%放射扫描图像
tumor=double(tumor);
imshow(uint8(tumor.^(0.4+0.05*5)));
 
 
 
 
二：如何进行灰度图的颜色映射？
 
 
 
 
由于小鼠图像的通道为1(灰度图通道数为1)，首先将通道数转换成3
 
tumor_dyed_color(:,:,1)=pet1(:,:,1);%其余2个通道的颜色值均与1通道保持一致
tumor_dyed_color(:,:,2)=pet1(:,:,1);
tumor_dyed_color(:,:,3)=pet1(:,:,1);
 
 
设定ROI(Region Of Interest)，而不是把将放射元素成像全部映射为彩色。
 
lower_tensity=1000; %选取灰度值大于1000，小于1300的像素点进行颜色映射。
upper_tensity=1300;
 
​ 采用map.txt进行颜色映射，map内有从0255种颜色值，通过不同的灰度值映射成不同的0255颜色值。
 
 
对应的转换关系为：
 
 
 
 
 
map=round(255*load('E:/map.txt'));%将map转换为整数类型
>>
level_num=(range/len);%计算level_num
ind=round((tumor(i,j)-lower_tensity)/level_num);%将ROI范围内像素对应的灰度值映射到map的对应颜色值
>>
tumor_dyed_color(i,j,1)=map(ind,1);%进行3个颜色通道的映射
tumor_dyed_color(i,j,2)=map(ind,2);
tumor_dyed_color(i,j,3)=map(ind,3);
 
 
三:代码的整合：
 
 
 
pet=imread('E:/photograph.tif');
pet=double(pet);
pet1=pet.^(0.4+0.05*6);
si=size(pet1);
pet=zeros(si(1),si(2),3);
tumor_dyed_color=zeros(si(1),si(2),3);%设置空图

tumor_dyed_color(:,:,1)=pet1(:,:,1);%通道数转换
tumor_dyed_color(:,:,2)=pet1(:,:,1);
tumor_dyed_color(:,:,3)=pet1(:,:,1);

tumor=imread('E:/tumors.tif');
tumor=double(tumor);
tumor=tumor.^(0.4+0.05*5);
size_tumor=size(tumor);

lower_tensity=1000; %设定ROI
upper_tensity=1300;

map=round(255*load('E:/map.txt'));
s=size(map);
len=s(1);
range=upper_tensity-lower_tensity+1;
level_num=(range/len);

for i=1:size_tumor(1)%扫描图像
    for j=1:size_tumor(2) %感兴趣像素检测
        if tumor(i,j)>lower_tensity&&tumor(i,j)<upper_tensity
            ind=round((tumor(i,j)-lower_tensity)/level_num);
                           if ind==0 %colormap中的色彩行标
                                     ind=1;
                           end
			tumor_dyed_color(i,j,1)=map(ind,1);%map投影到显示图
			tumor_dyed_color(i,j,2)=map(ind,2);
			tumor_dyed_color(i,j,3)=map(ind,3);
        end
    end
end
imshow(uint8(tumor_dyed_color));
pause(0)

 
 
四：最终的效果展示：