MiDaS伪彩色映射原理：colormap参数自定义方法
项目地址: https://gitcode.com/gh_mirrors/mi/MiDaS 一、深度可视化的痛点与解决方案
在单目深度估计（Monocular Depth Estimation）任务中，原始深度值通常以灰度图形式呈现，人眼难以区分细微深度差异。MiDaS（Monocular Depth Estimation）作为当前领先的开源深度估计算法，通过伪彩色映射（Pseudo-color Mapping）技术将抽象的深度数值转化为直观的彩色图像。本文将系统解析MiDaS的伪彩色映射原理，并提供3种实用的colormap参数自定义方法，帮助开发者根据场景需求优化深度可视化效果。
读完本文你将掌握：
- MiDaS伪彩色映射的核心实现逻辑
- 内置colormap参数的修改方法
- 自定义调色板的完整代码实现
- 动态colormap生成的工程化方案
二、MiDaS伪彩色映射的工作原理
2.1 深度值归一化流程
MiDaS的伪彩色映射通过write_depth函数（位于utils.py）实现，核心流程包含三个阶段：
关键代码实现（utils.py第172-208行）：
def write_depth(path, depth, grayscale, bits=1):
if not np.isfinite(depth).all():
depth=np.nan_to_num(depth, nan=0.0, posinf=0.0, neginf=0.0)
depth_min = depth.min()
depth_max = depth.max()
# 归一化到0-255区间
max_val = (2**(8*bits))-1
if depth_max - depth_min > np.finfo("float").eps:
out = max_val * (depth - depth_min) / (depth_max - depth_min)
else:
out = np.zeros(depth.shape, dtype=depth.dtype)
# 应用色彩映射
if not grayscale:
out = cv2.applyColorMap(np.uint8(out), cv2.COLORMAP_INFERNO)
2.2 内置色彩映射逻辑
MiDaS默认使用OpenCV的COLORMAP_INFERNO调色板，该调色板具有以下特性：
- 近景（小深度值）呈现暗黑色
- 中景过渡为橙黄色
- 远景（大深度值）显示亮白色
- 色彩对比度高，适合户外场景
三、colormap参数自定义方法
3.1 方法一：修改内置colormap类型
通过修改write_depth函数中的cv2.COLORMAP_*参数，可快速切换预设调色板。OpenCV提供20+种内置colormap，常用选项对比：
| 调色板类型 | 适用场景 | 色彩特征 | 视觉效果 |
|---|---|---|---|
| COLORMAP_INFERNO | 户外场景 | 黑→橙→黄→白 | 高对比度 |
| COLORMAP_JET | 医学成像 | 蓝→青→黄→红 | 渐变均匀 |
| COLORMAP_PLASMA | 工业检测 | 紫→蓝→绿→黄 | 细节突出 |
| COLORMAP_VIRIDIS | 科学可视化 | 蓝→绿→黄 | 色彩平衡 |
实现步骤：
- 定位
utils.py第198行：out = cv2.applyColorMap(np.uint8(out), cv2.COLORMAP_INFERNO) - 替换为目标colormap：
out = cv2.applyColorMap(np.uint8(out), cv2.COLORMAP_JET) # 切换为JET调色板
3.2 方法二：自定义调色板矩阵
当内置colormap无法满足需求时，可通过创建BGR色彩矩阵实现完全自定义。以下示例实现"蓝-绿-红"渐变的海洋风格调色板：
def custom_colormap():
"""创建自定义BGR调色板"""
# 定义16个关键色点（BGR格式）
colors = np.array([
[0, 0, 128], # 深蓝（近景）
[0, 0, 255], # 蓝色
[0, 128, 255], # 青蓝
[0, 255, 255], # 青色
[0, 255, 128], # 青绿
[0, 255, 0], # 绿色
[128, 255, 0], # 绿黄
[255, 255, 0], # 黄色
[255, 128, 0], # 橙黄
[255, 0, 0], # 红色
[128, 0, 0], # 深红
[128, 0, 128], # 紫色
[255, 0, 255], # 洋红
[255, 128, 255],# 粉红
[255, 255, 255],# 白色（远景）
], dtype=np.uint8)
# 插值生成256阶调色板
x = np.linspace(0, len(colors)-1, 256)
xp = np.arange(len(colors))
cmap = np.zeros((256, 3), dtype=np.uint8)
for i in range(3): # BGR三个通道
cmap[:, i] = np.interp(x, xp, colors[:, i])
return cmap
# 在write_depth中应用自定义调色板
def write_depth(path, depth, grayscale, custom_cmap=None, bits=1):
# ... 原有代码 ...
if not grayscale:
if custom_cmap is None:
out = cv2.applyColorMap(np.uint8(out), cv2.COLORMAP_INFERNO)
else:
out = cv2.applyColorMap(np.uint8(out), custom_cmap) # 使用自定义调色板
# ... 保存逻辑 ...
3.3 方法三：动态参数化colormap
为提升代码复用性，可通过命令行参数动态控制colormap类型。修改run.py的参数解析部分：
# 在run.py的argparse配置中添加
parser.add_argument('--colormap',
default='inferno',
choices=['inferno', 'jet', 'plasma', 'viridis', 'custom'],
help='伪彩色映射类型')
# 在run函数中添加colormap映射字典
colormap_dict = {
'inferno': cv2.COLORMAP_INFERNO,
'jet': cv2.COLORMAP_JET,
'plasma': cv2.COLORMAP_PLASMA,
'viridis': cv2.COLORMAP_VIRIDIS,
'custom': custom_colormap() # 方法二中定义的自定义调色板
}
# 调用write_depth时传入参数
utils.write_depth(filename, prediction, grayscale,
custom_cmap=colormap_dict[args.colormap], bits=2)
使用示例：
python run.py --input_path ./input --output_path ./output --colormap jet
三、高级应用：基于深度范围的动态colormap
在复杂场景中，固定colormap可能导致局部细节丢失。以下实现根据深度分布自动调整色彩映射范围：
def dynamic_colormap(depth, num_bins=10):
"""基于深度分布分箱的动态colormap"""
# 计算深度直方图
counts, bins = np.histogram(depth, bins=num_bins)
# 提取显著深度区间边界
significant_bins = bins[np.where(counts > counts.mean()/2)[0]]
# 根据显著区间生成调色板
colors = cv2.applyColorMap(np.linspace(0, 255, len(significant_bins), dtype=np.uint8),
cv2.COLORMAP_TURBO).reshape(-1, 3)
# 插值生成完整colormap
x = np.linspace(significant_bins[0], significant_bins[-1], 256)
cmap = np.zeros((256, 3), dtype=np.uint8)
for i in range(3):
cmap[:, i] = np.interp(x, significant_bins, colors[:, i])
return cmap
效果对比：
- 传统colormap：全局归一化导致近景细节丢失
- 动态colormap：根据深度分布自动优化色彩分配，突出关键区域
四、工程化实践与注意事项
4.1 性能优化
- 对于视频流处理，建议预生成colormap并缓存
- 16位深度图存储需禁用伪彩色映射（
--grayscale参数） - OpenCV的
applyColorMap支持GPU加速，可通过cv2.cuda.applyColorMap实现
4.2 兼容性处理
- 确保输入深度图无NaN/Inf值（使用
np.nan_to_num预处理） - 不同OpenCV版本的colormap可能存在差异，建议固定版本（
opencv-python==4.5.5.64） - 自定义colormap需严格遵循BGR格式，避免色彩通道混淆
4.3 质量评估
通过以下指标评估colormap效果：
- 信息熵：
skimage.measure.shannon_entropy(colored_depth) - 对比度：
np.max(colored_depth) - np.min(colored_depth) - 细节保留度：边缘检测后的轮廓数量
五、总结与展望
MiDaS的伪彩色映射功能为深度可视化提供了强大支持，通过本文介绍的三种自定义方法，开发者可根据具体场景需求灵活调整视觉效果。未来发展方向包括：
- 基于场景类别的自适应colormap选择
- 融合语义信息的多模态色彩映射
- 支持HDR显示的高动态范围映射技术
建议开发者结合实际应用场景选择合适的自定义方案：简单场景可直接修改内置参数，专业场景推荐使用动态colormap，特殊领域（如医疗、遥感）则需实现领域专用调色板。完整代码示例可参考MiDaS项目的examples/custom_colormap目录。
通过合理配置colormap参数，MiDaS不仅能提供精确的深度数据，更能生成直观易懂的视觉结果，为机器人导航、AR交互、工业检测等领域提供有力支持。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
