该错误源于 OpenCV 的 cv2.applyColorMap() 要求输入必须是 8 位单通道（CV_8UC1）图像，而 RealSense 深度图默认为 16 位无符号整型（uint16），需先缩放并转换数据类型。
该错误源于 opencv 的 `cv2.applycolormap()` 要求输入必须是 8 位单通道（`cv_8uc1`）图像，而 realsense 深度图默认为 16 位无符号整型（`uint16`），需先缩放并转换数据类型。
在使用 Intel RealSense 配合 OpenCV 处理深度帧时，一个常见陷阱是直接将原始深度数据（np.uint16）传入 cv2.applyColorMap() —— 该函数严格要求输入为 CV_8UC1（即 np.uint8 单通道），否则会抛出 -5: Bad argument 错误。
你当前代码中使用了 cv2.normalize() + np.uint8() 的组合，看似合理，但存在两个潜在问题：
-
normalize(..., NORM_MINMAX)对深度值（通常范围 0–65535）做全局归一化后，低深度区域可能被压缩至极小数值，导致 colormap 显示发暗或细节丢失； - 若归一化后仍有浮点数残留（如因 dtype 推断异常），
np.uint8()截断可能引入非预期的零值或溢出。
✅ 推荐做法：使用 cv2.convertScaleAbs() 进行安全缩放
它能高效地将 uint16 深度图线性映射到 uint8 范围，并自动处理溢出与截断：
# ✅ 正确：直接缩放并转为 uint8，适配 applyColorMap
depth_colormap = cv2.applyColorMap(
cv2.convertScaleAbs(depth_image, alpha=0.03), # alpha ≈ 255 / 8000，适配常见深度量程（0–8000mm）
cv2.COLORMAP_JET
)
? 参数说明：
alpha=0.03表示output = saturate_cast，即把(input * alpha) uint16值乘以 0.03 后四舍五入并截断为uint8。例如深度 8000mm → 8000 × 0.03 = 240 →uint8(240)，完美覆盖 colormap 动态范围。
? 额外注意事项：
- 确保
depth_image.dtype == np.uint16（RealSense 默认），避免意外 dtype 转换； - 若需保留深度精度用于后续计算，请仅对显示用副本执行
convertScaleAbs，原始depth_image仍应保持uint16； -
cv2.COLORMAP_JET是常用伪彩色方案，也可替换为cv2.COLORMAP_PLASMA（更均匀感知）或cv2.COLORMAP_TURBO（新版推荐）； - 合并图像前建议统一尺寸：
color_image通常为 RGB（CV_8UC3），而depth_colormap是 BGR（CV_8UC3），可直接np.hstack；若需对齐分辨率，建议先cv2.resize()至相同宽高。
修正后的关键代码段如下：
# Convert to numpy arrays
depth_image = np.asanyarray(depth_frame.get_data()) # shape: (H, W), dtype: uint16
color_image = np.asanyarray(color_frame.get_data()) # shape: (H, W, 3), dtype: uint8
# ✅ Safe & robust depth colormap (no normalize + cast pitfalls)
depth_colormap = cv2.applyColorMap(
cv2.convertScaleAbs(depth_image, alpha=0.03),
cv2.COLORMAP_JET
)
# Optional: ensure same height before stacking
if depth_colormap.shape[0] != color_image.shape[0]:
color_image = cv2.resize(color_image, (depth_colormap.shape[1], depth_colormap.shape[0]))
combined_image = np.hstack((color_image, depth_colormap))
return depth_image, color_image, combined_image
此方案简洁、鲁棒、性能友好，彻底规避 OpenCV 类型校验错误，同时保障可视化质量。
