我有一个特定的np.array数据，它表示一个特定灰度图像。我需要使用SimpleBlobDetector()，不幸的是它只接受8位图像，所以我需要转换这个图像，显然会有质量损失。
我已经试过了：
import numpy as np
import cv2
[...]
data = data / data.max() #normalizes data in range 0 - 255
data = 255 * data
img = data.astype(np.uint8)
cv2.imshow("Window", img)
但是cv2.imshow并没有给出预期的图像，而是有奇怪的失真。。。
最后，我只需要将np.float64转换为np.uint8即可缩放所有值并截断其余值，例如65535变为255，65534变为254，依此类推……有什么帮助吗？
谢谢。
规范化图像的更好方法是取每个值并除以数据类型所经历的最大值。这样可以确保图像中动态范围较小的图像保持较小，并且它们不会因疏忽而归一化，从而变灰。例如，如果您的图像的动态范围为[0-2]，那么现在的代码会将其缩放为强度为[0, 128, 255]。您希望这些在转换为np.uint8后保持较小。
因此，将每个值除以图像类型可能的最大值，而不是实际图像本身。然后将其缩放255以生成标准化结果。使用numpy.iinfo并为其提供图像的类型(dtype)，您将获得该类型的信息结构。然后，您将从此结构中访问max字段，以确定最大值。
因此，使用以上内容，对您的代码进行以下修改：
import numpy as np
import cv2
[...]
info = np.iinfo(data.dtype) # Get the information of the incoming image type
data = data.astype(np.float64) / info.max # normalize the data to 0 - 1
data = 255 * data # Now scale by 255
img = data.astype(np.uint8)
cv2.imshow("Window", img)
请注意，我还将图像转换为np.float64，以防传入的数据类型不是这样，并在进行除法时保持浮点精度。
考虑到您正在使用OpenCV，在数据类型之间转换的最佳方式是使用normalize函数。
img_n = cv2.normalize(src=img, dst=None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)
然而，如果你不想使用OpenCV，你可以在numpy 中这样做
def convert(img, target_type_min, target_type_max, target_type):
imin = img.min()
imax = img.max()
a = (target_type_max - target_type_min) / (imax - imin)
b = target_type_max - a * imax
new_img = (a * img + b).astype(target_type)
return new_img
然后像这个一样使用
imgu8 = convert(img16u, 0, 255, np.uint8)
这是基于我在这个解决方案下的交叉验证板上的评论中找到的答案https://stats.stackexchange.com/a/70808/277040
您可以使用skimage.img_as_ubyte(yourdata)，它将使您的数组范围从0到>255
from skimage import img_as_ubyte
img = img_as_ubyte(data)
cv2.imshow("Window", img)