把数据里低于某个阈值的点全部涂成白色，这个需求在MATLAB使用频率高得离谱。做温度场、地形起伏、差异图的时候，我们经常只想看高值区，可默认的colormap会把低值画成一大片深蓝或深黑，信息被淹没，对比度也差。很多人第一反应是写一句data(data < thr) = NaN，然后发现白是白了，colorbar上却莫名多出一块"NaN"，pcolor绘制时还漏出一圈网格线。这问题我前前后后踩了不少坑，先说结论：这类需求本质是改颜色映射，不是改数据。下面把三种做法、各自适用场景和隐藏掉的坑完整捋一遍，直接照着抄就行。
1. 先把"变白"这件事放在正确的位置上
1.1 颜色图只是一张查询表
MATLAB里的colormap本质上是一张N行3列的查询表，每行是一个RGB颜色，从第一行到第N行对应数值从低到高。你用imagesc、pcolor、surf画图时，每个数据点并不会真的变成"它自己的颜色"，而是根据当前数值范围（clim或老版本里的caxis）算出一个索引，再去这张表里取出对应行的RGB值。
这个映射关系可以近似写成：
索引 = round(1 + (N-1) * (v - cmin) / (cmax - cmin))其中N是色图行数，v是当前数据值，cmin、cmax是颜色轴范围。所以"把小于某个阈值的点设为白色"，本质上就是：让所有映射到低值区间的查询表行变成[1 1 1]。你不需要逐个去改数据像素，只需要把色图前几行涂白，整个低值区域就会统一显示成白色。
想清楚这一点，很多操作就豁然开朗了。比如你说"为什么我手动把第一行设成白色，低值还是深蓝色？"因为低值区间通常对应色图的前好几行，只改第一行当然没用。再比如"为什么我改了数据为NaN，颜色条上出现奇怪的灰色块？"因为NaN根本不是数值，它走了另一条渲染路径。
1.2 两种"变白"思路的分界线
围绕"把低值涂白"这个目标，业界和社区常见的思路基本分两派：
| 处理层面 | 常见写法 | 优点 | 风险 |
|---|---|---|---|
| 显示层 | 修改colormap、AlphaData | 原始数据不动，可逆，colorbar与实际渲染一致或可控 | 需要理解色图索引和clim关系 |
| 数据层 | 把低值替换为NaN或0 | 代码直白，初学者一看就懂 | 污染数据，后续统计、叠加、保存都会受影响 |
我强烈建议默认走显示层方案。数据层方案在单独画一张"看个大概"的图时看不出问题，一旦你要在同一个数据上继续做统计分析、叠加其他图层、给同事复现，当初那句data(data<thr)=NaN就会变成一个隐形炸弹。下面先从最正统的colormap方案讲起。
2. 正统做法：改colormap，把低值段整体染白
2.1 核心步骤：先固定clim，再改颜色表
正确流程其实只有四步：
- 画出原始图，拿到当前数据范围。
- 显式固定
clim/min，防止后续缩放改变映射。 - 读取当前colormap，计算阈值对应的色图行号。
- 把从第1行到该行号的RGB全部置为
[1 1 1]。
直接看代码，这个示例针对一个矩阵data、阈值thr：
figure('Color', 'w'); imagesc(data); dmin = min(data(:)); dmax = max(data(:)); % 先固定颜色轴范围，这是关键 try clim([dmin dmax]); % R2022a之后推荐 catch caxis([dmin dmax]); % 老版本兼容 end cmap = colormap; % 读取当前色图，默认通常是parula N = size(cmap, 1); frac = (thr - dmin) / (dmax - dmin); k = max(1, min(N, ceil(frac * N) + 1)); cmap(1:k, :) = 1; % 从第1行到第k行全部变白 colormap(cmap); colorbar;这段代码跑完，凡是数值小于等于thr的区域都会显示为白色，颜色条底端也会出现一段白色。注意最后加了一个+1的保守余量，目的是避免阈值刚好落在两个色图行中间时，低值区边缘出现一条不该有的色带。
为什么顺序很重要？如果你先改了colormap，随后才执行clim或caxis，MATLAB会根据新范围重新计算每个像素的索引，而你算出来的k是基于旧范围得到的，两者就会错位，表现就是白色区域范围和预期对不上。所以正确顺序永远是：固定clim，计算k，改色图。
2.2 边界索引到底怎么算，要不要留余量
很多人会直接用round(frac * N)来计算白区行数，多数情况下肉眼没问题，但如果数据恰好是离散值且阈值正好卡在某个值上，就可能出现"等于阈值的点仍然是深色"的情况。原因是MATLAB在做数值到索引的映射时存在量化误差，而round会把部分本应落在低值端的像素分到高值端。
我这里给两个公式，按你的业务语义选：
- 想让"小于等于阈值"全部变白，用保守公式：
k = ceil((thr - dmin)/(dmax - dmin) * N) + 1。 - 想让"严格小于阈值"才变白，等于阈值的点保留颜色，用：
k = floor((thr - dmin)/(dmax - dmin) * N)。
第二种写法偶尔会在阈值附近出现半格色差，因为色图只有64或256行，量化粒度是固定的。如果你真的对边界像素有严格到格子的要求，那就不能用纯colormap方案，建议用第4章的AlphaData方案按逻辑掩膜精确控制。
另外注意一个常见反例：如果你原本用的色图是深蓝到浅黄的parula，低值段涂白后高值段的对比还在；但如果你用的是灰度色图或者两端都是浅色的色图，低值涂白后高值区域可能也跟着发白，整张图几乎什么都看不清。所以选底图时尽量用高值端颜色较深的色图，例如jet、turbo、parula，别用gray。
2.3 进阶：白色之后接渐变，让过渡不突兀
硬切白色往往在阈值边界处显得很"生硬"，尤其是数据本身是连续场时，白色和彩色之间会有一条明显分界线。一个更平滑的做法是，不要直接把前k行全部置成纯白，而是把白到某个浅色做一个过渡：
transitionColor = [0.85 0.9 1]; % 淡蓝色终点 cmap(1:k, 1) = linspace(1, transitionColor(1), k)'; cmap(1:k, 2) = linspace(1, transitionColor(2), k)'; cmap(1:k, 3) = linspace(1, transitionColor(3), k)';这样低值区不是一整块死白，而是从白色过渡到淡淡的蓝色，高值区从浅蓝继续渐变到深色。实际出图时视觉更舒服，尤其在学术报告里，评审不会一眼觉得"你把低值数据删了"。过渡色还可以配合透明度再叠加一层，效果更接近专业可视化软件里的"低于阈值置空+浮白"风格。
3. data(data<thr)=NaN：能出效果但别轻易用
3.1 不同绘图函数对NaN的处理差异
data(data < thr) = NaN这个写法之所以流传广，是因为在imagesc里确实能把对应区域显示成背景色，看起来就像白色。但这个"像白色"是有条件的，而且不同绘图函数差异很大，我实测下来是这样的：
| 绘图函数 | NaN区域的表现 | 隐藏问题 |
|---|---|---|
imagesc | 显示axes背景色，默认白色 | 新版colorbar会额外显示一个NaN色块 |
pcolor | 该网格不绘制，直接透底 | 如果不加shading interp或EdgeColor none，边界全是黑线 |
surf | 对应顶点和面缺失，出现"漏洞" | 三维图可能直接破洞，形状都看不全 |
contourf | 填充区域会破开 | 等值线会在NaN边缘产生奇怪闭合 |
这就是为什么很多人用pcolor画完发现白色区域周围全是线，又或者用surf画地形时山体缺了一块。NaN在MATLAB的渲染管线里是"不存在的顶点"，它不会主动帮你画一个白色区域，只是把那一块让出来让背景露出来。
3.2 改数据常见的三个后遗症
第一个后遗症是数据被永久污染。如果你在脚本里写了data(data<thr)=NaN，后续再对data做mean、std、max、min，结果全都会变成NaN或者被自动忽略。尤其是你要算某个区域平均温度时，低值区域被你抹掉，平均值直接偏高，结论就歪了。
第二个后遗症是colorbar会多出一个"NaN"块。从某个版本开始，colorbar会自动用灰色显示NaN区域，图上的白区和颜色条上的灰色块语义对不上。看图的人会问："这个灰是什么？"你还得解释一遍，非常尴尬。
第三个后遗症是边界线问题。pcolor默认shading faceted，每个网格单元有黑色描边，NaN网格留空后描边会围出一个多边形空洞。你要么写shading interp或shading flat，要么加set(h, 'EdgeColor', 'none')，但这么一改又会影响高值区域的网格显示效果，属于典型的"按下葫芦浮起瓢"。
如果你只是临时画一张内部查看图，数据后续不参与计算，那用NaN方案没有大碍。但只要数据要交出去，或者同一份数据要多张图复用，请忍住，别改数据。
4. 另一条路：AlphaData透明化
4.1 一条命令让低值区域透明
AlphaData是很多MATLAB用户忽略的一条捷径。它的原理不是改颜色表，而是给每个像素单独指定透明度：alpha为0的地方完全不绘制，露出底层背景；alpha为1的地方正常着色。
对imagesc来说，一行代码就能实现"低值隐藏"：
imagesc(x, y, data, 'AlphaData', data > thr);其中data > thr是一个逻辑矩阵，true表示不透明，false表示全透明。由于MATLAB默认figure背景是白色，透明区域自然就显示为白色。
如果想做渐变隐藏，还可以把AlphaData设为从阈值到最大值之间的归一化值：
alpha = (data - thr) ./ (max(data(:)) - thr); alpha(alpha < 0) = 0; imagesc(data, 'AlphaData', alpha);这样低值区不是瞬间消失，而是越接近阈值越透明，视觉上更接近"信号逐渐浮现"的效果。
4.2 透明转白是有前提的
这句话必须加粗理解：透明度区域显示什么颜色，取决于背后的axes颜色，而不是简单等于白色。如果你在GUI里改了axes背景为浅灰，或者figure底色不是白色，透明区域就会泛灰甚至泛红。
所以每次用AlphaData方案时，建议显式执行：
set(gca, 'Color', 'w'); set(gcf, 'Color', 'w');另外要提醒一个非常隐蔽的坑：如果你把这个图保存成透明背景的PNG或矢量图，AlphaData为0的区域不会被渲染成白色，而是真的保持透明。放在白底PPT里看没问题，但一旦放到深色背景网页或视频里，本应白色的区域会直接透出背景，出现"掩膜失效"的效果。所以提交最终报告图时，要么导出前先把背景烘焙成白底，要么直接导出带白底的位图。
4.3 AlphaData与colormap的取舍
AlphaData方案的最大优点是像素级精确。data > thr这个逻辑掩膜一清二楚，等于阈值的点到底白不白完全由你控制，不会被色图行数量化误差干扰。最大缺点是colorbar与图面不一致：图面上低值区域已经没了，但colorbar仍然显示完整的低值到高值颜色范围。我见过不少人答辩时被导师追问："你colorbar上明明有蓝紫色，图里怎么没有？"就是因为AlphaData只改了渲染可见性，没有改颜色映射本身。
对比下来：
- 想让colorbar和图面完全一致，选colormap方案。
- 想像素级精确控制阈值边界，选AlphaData方案。
- 两者结合也是个办法：用AlphaData隐藏，再手动裁剪colorbar的
Ticks和TickLabels，但代码量和后续维护成本明显上升。
5. 实战：温度场低值抹白完整脚本
5.1 模拟数据与阈值
用一个200×200的模拟温度场做演示，数据构造带有明显的高值中心和低值背景，阈值取70百分位数，模拟"只看前30%高温区"的场景。
x = linspace(-3, 3, 200); [X, Y] = meshgrid(x, x); data = 0.55 * peaks(200) + 0.4; data = data - min(data(:)); % 让数据从0开始，方便对照 thr = prctile(data(:), 70);peaks自带几个明显的峰和谷，用作温度场示例很合适。70百分位的意思是70%的数据点都低于阈值，画完之后图上应该大部分是白色，只有几个高值山峰区域保留颜色。
5.2 三种方案统一对比脚本
我把三种方案放在同一个figure里并排对比，每行代码都有注释，可直接复制运行：
figure('Color', 'w'); dmin = min(data(:)); dmax = max(data(:)); % ---- 方案1：原始图，留作对照 ---- ax1 = subplot(1, 3, 1); imagesc(ax1, data); try clim(ax1, [dmin dmax]); catch caxis(ax1, [dmin dmax]); end colormap(ax1, parula); colorbar(ax1); title(ax1, '原始图'); % ---- 方案2：colormap低值涂白 ---- ax2 = subplot(1, 3, 2); imagesc(ax2, data); try clim(ax2, [dmin dmax]); catch caxis(ax2, [dmin dmax]); end cmap2 = colormap(ax2, parula); N2 = size(cmap2, 1); frac = (thr - dmin) / (dmax - dmin); k2 = max(1, min(N2, ceil(frac * N2) + 1)); cmap2(1:k2, :) = 1; colormap(ax2, cmap2); colorbar(ax2); title(ax2, 'colormap涂白'); % ---- 方案3：AlphaData透明化 ---- ax3 = subplot(1, 3, 3); imagesc(ax3, data, 'AlphaData', data > thr); set(ax3, 'Color', 'w'); try clim(ax3, [dmin dmax]); catch caxis(ax3, [dmin dmax]); end colormap(ax3, parula); colorbar(ax3); title(ax3, 'AlphaData隐藏');运行完成后，方案2和方案3图面上的白色区域几乎一样，但注意两个colorbar的区别：方案2的colorbar底端是一段白色，方案3的colorbar仍然完整显示蓝到黄的整条色带。这就是我在4.3里说的"图面与色条不一致"问题，也是我日常推荐方案2的最主要原因。
5.3 colorbar上的标注问题
colormap方案改完之后，颜色条上会出现一段白色，看图的人可能会困惑"这白色代表什么范围"。建议在colorbar上手动加刻度，把阈值作为第一个可见刻度：
cb = colorbar; ticksList = [thr, (thr + dmax) / 2, dmax]; cb.Ticks = ticksList; cb.TickLabels = arrayfun(@(v) sprintf('%.2f', v), ticksList, 'UniformOutput', false);这样白区虽然有白色段，但最上沿有一个明确的数值刻度"3.45"，配合图标题里一句"低于该值为白色"，信息就很完整。如果你连白区都不想出现在colorbar上，那不能靠改Ticks实现，因为colorbar的色块仍然铺满整个clim范围，你只能额外创建一个只绘制高值部分色图的辅助axes，但协作场景下反而容易误导，我不建议这么做。
6. 踩坑记录与排查速查
6.1 边界线、色带与"全白"的由来
第一个高频问题是"为什么涂白之后阈值边界有一条细线或渐变色带"。
细线通常来自pcolor的默认描边，解决办法是：
p = pcolor(x, y, data); set(p, 'EdgeColor', 'none'); shading interp;色带则来自索引计算误差。我用ceil(frac*N)+1的保守公式后，这类问题基本消失。如果你用的是round(frac*N)且阈值恰好落在两行索引交界处，白色区边缘就可能混进来一行半行的渐变颜色，肉眼看到的是一条窄窄的过渡带。修改为保守公式后，那一个色级的误差被并进白色区，视觉上完全看不出来。
第二个高频问题是"改了之后整个图全白"。
一旦出现全白，先检查你的clim。如果cmin被设置成了一个比数据最小值大得多的数，那么frac = (thr - dmin)/(dmax - dmin)可能等于或接近1，计算出来的k接近N，等于把整个colormap都涂白了。反过来，如果cmin比数据最小值还小，frac会偏小，白色区域比预期少。出现这种现象时，先执行一次：
try clim([min(data(:)), max(data(:))]); catch caxis([min(data(:)), max(data(:))]); end再重算k，十有八九就正常了。
6.2 为什么我的colorbar多了一块NaN
这个问题的根源只有一个：你把数据里的低值改成了NaN，而colorbar在新版本中会为NaN单独显示一个灰色块。这不算bug，是MATLAB在明确告诉你"存在非数值区域"。
如果你无论如何要保留NaN的做法，至少要在提交图之前把colorbar的Ticks和TickLabels手动重写，同时给图加一个注释说明灰色块含义。但就像我在第3章说的，改数据带来的统计污染比这个灰色块严重得多，所以正解还是回到colormap方案。
6.3 常见问题速查表
| 问题现象 | 根本原因 | 解决方案 |
|---|---|---|
| 低值区没变白 | 色图行号算错或clim随后被修改 | 固定clim后再改colormap，用保守公式 |
| 白色区域边缘有色带 | 色图索引量化误差 | ceil(frac*N)+1留余量 |
| 低值区白，但高值区也发白 | 原色图低端和高端都是浅色 | 换成parula、jet、turbo等明暗分明色图 |
pcolor白色区边界有黑线 | EdgeColor默认描边 | set(p,'EdgeColor','none')+shading interp |
| colorbar多出NaN灰色块 | 数据被改成了NaN | 改用colormap方案 |
| AlphaData方案图白了但colorbar仍有低值颜色 | alpha只改可见性，不改色图映射 | 接受该差异，或改用colormap方案 |
| 导出PNG后白区变透明 | AlphaData=0区域不渲染，PNG透明通道保留 | 导出前设置白底，或改用colormap方案 |
| 大矩阵处理时内存翻倍 | 创建data副本或AlphaData矩阵 | 优先用colormap方案，只改一行RGB表 |
个人在实际项目里，能让我完全省心的还是colormap方案。一个三维数据场，比如某流域的温度模拟结果，几十万网格点，改colormap只需要改动64行RGB值，内存开销可以忽略不计，colorbar和图面又是完全对应的，别人拿过去看图也不会产生歧义。最后再分享一个小技巧：如果你觉得硬切白色在连续场里太突兀，可以把低值区做成"白到淡青"的两段渐变，阈值位置再叠一层半透明的白，出图效果会比纯白细腻很多，而且离远看依然能一眼分清低值区和高值区。
