写点什么

Numpy 可视化绘图

作者:Peter
  • 2022 年 2 月 16 日
  • 本文字数:3934 字

    阅读完需:约 13 分钟

Numpy可视化绘图

大家好,我是 Peter~


在之前的文章介绍过 Numpy 数组基本创建和可视化过程,没有想到 Numpy 还可以直接绘图


当然!NumPy 不仅可以画,还可以画得更好、画得更快!比如下面这幅画,只需要 10 行代码就可以画出来。若能整明白这 10 行代码,就意味着叩开了 NumPy 的大门。


下面通过例子来看看如何用 NumPy 画图,以及用 NumPy 可以画出什么样的图画来。



1. 导入模块

仅导入 NumPy 就可以完成绘画过程,PIL 的 Image 模块只是用来显示或者保存绘画结果。若能邀请 Matplotlib 的 ColorMap 来帮忙的话,处理颜色就会轻松很多,色彩也会更丰富,但这并不意味着 ColorMap 是必需的。


import numpy as np  from PIL import Image   # 显示和保存绘图from matplotlib import cm as mplcm   # 颜色处理
复制代码

2. 基本绘画流程

借助于 Image.fromarray()函数,可以将 NumPy 生成的数组对象转成 PIL 绘图所需的对象。


  • PIL 对象的 show()方法可以直接显示图像

  • save()方法则可以将图像保存为文件


在这个操作需要注意的一点是:NumPy 数组的类型必须是单字节无符号整型,即 np.uint8 或 np.ubyte 类型


下面的代码使用 NumPy 的随机子模块 random 生成了 100 行 300 列的二维数组,转换为宽 300 像素高 100 像素的随机灰度图并直接显示出来。


 im = np.random.randint(0, 255, (100,300), dtype=np.uint8)   im = Image.fromarray(im)   im.show() # 或者im.save(r'd:\gray_300_100.jpg')保存为文件
复制代码


3. 生成随机彩色图像

上面的代码中,如果 random 生成的数组包含 3 个通道,就会得到一幅彩色的随机图像。


>>> im = np.random.randint(0, 255, (100,300,3), dtype=np.uint8)  >>> Image.fromarray(im, mode='RGB').show()
复制代码


4. 生成渐变色图像

np.linspace()函数类似于 Python 的 range()函数,返回的是浮点数的等差序列,经过 np.tile()重复之后,分别生成 RGB 通道的二维数组,再用 np.dstack()合并成三维数组,最终输出一幅渐变色图像。


>>> r = np.tile(np.linspace(192,255, 300, dtype=np.uint8), (600,1)).T  >>> g = np.tile(np.linspace(192,255, 600, dtype=np.uint8), (300,1))  >>> b = np.ones((300,600), dtype=np.uint8)*224  >>> im = np.dstack((r,g,b))  >>> Image.fromarray(im, mode='RGB').show()  
复制代码


5. 在渐变色背景上画曲线

对图像数组中的特定行列定位之后,再修改其颜色,就可以得到期望的结果。


>>> r = np.tile(np.linspace(192,255, 300, dtype=np.uint8), (600,1)).T  >>> g = np.tile(np.linspace(192,255, 600, dtype=np.uint8), (300,1))  >>> b = np.ones((300,600), dtype=np.uint8)*224  >>> im = np.dstack((r,g,b))  >>> x = np.arange(600)  >>> y = np.sin(np.linspace(0, 2*np.pi, 600))  >>> y = np.int32((y+1)*0.9*300/2 + 0.05*300)  >>> for i in range(0, 150, 6):   im[y[:-i],(x+i)[:-i]] = np.array([255,0,255])     >>> Image.fromarray(im, mode='RGB').show()  
复制代码


6. 使用颜色映射(ColorMap)

颜色映射(ColorMap)是数据可视化必不可少的概念,枯燥无趣的数据正是经过颜色映射之后才变得五颜六色、赏心悦目的。


Matplotlib 的 cm 子模块提供了 7 大类共计 82 种颜色映射表,每种映射表名字之后附加“_r” ,可以获得该映射表的反转版本。


  1. 视觉均匀类 viridis, plasma, inferno, magma, cividis

  2. 单调变化类 Greys, Purples, Blues, Greens, Oranges, Reds, YlOrBr, YlOrRd, OrRd, PuRd, RdPu, BuPu, GnBu, PuBu, YlGnBu, PuBuGn, BuGn, YlGn

  3. 近似单调类 binary, gist_yarg, gist_gray, gray, bone, pink, spring, summer, autumn, winter, cool, Wistia, hot, afmhot, gist_heat, copper

  4. 亮度发散类 PiYG, PRGn, BrBG, PuOr, RdGy, RdBu, RdYlBu, RdYlGn, Spectral, coolwarm, bwr, seismic

  5. 颜色循环类 twilight, twilight_shifted, hsv

  6. 分段阶梯类 Pastel1, Pastel2, Paired, Accent, Dark2, Set1, Set2, Set3, tab10, tab20, tab20b, tab20c

  7. 专属定制类 flag, prism, ocean, gist_earth, terrain, gist_stern, gnuplot, gnuplot2, CMRmap, cubehelix, brg, gist_rainbow, rainbow, jet, nipy_spectral, gist_ncar


下面是专属定制类中 jet 颜色映射表和分段阶梯类中 Paired 颜色映射表的色带图。



Matplotlib 的 cm 子模块使用起来也非常简单。下面的代码有助于理解颜色映射(ColorMap)的机制、熟悉 cm 对象的使用方法。


>>> cm1 = mplcm.get_cmap('jet') # jet是专属定制类的ColorMap  >>> cm1.N # jet有256种颜色  256  >>> cm1(0) # 返回序号为0的颜色  (0.0, 0.0, 0.5, 1.0)  >>> cm1(128) # 返回序号为128的颜色  (0.4901960784313725, 1.0, 0.4775458570524984, 1.0)  >>> cm1(255) # 返回序号为255的颜色  (0.5, 0.0, 0.0, 1.0)  >>> cm2 = mplcm.get_cmap('Paired') # Paired是分段阶梯类的ColorMap  >>> cm2.N # Paired有12种颜色  12  >>> cm2(0) # 返回序号为0的颜色  (0.6509803921568628, 0.807843137254902, 0.8901960784313725, 1.0)  >>> cm2(11) # 返回序号为11的颜色  (0.6941176470588235, 0.34901960784313724, 0.1568627450980392, 1.0)  
复制代码

7. 展示 NumPy 的魅力

对于一幅图像(假如图像有 9 个像素宽 7 个像素高),可以很容易地得到由每个像素的行号组成的二维数组(以 i 表示),以及由每个像素的列号组成的二维数组(以 j 表示)。


>>> w, h = 9, 7  >>> i = np.repeat(np.arange(h), w).reshape(h, w)  >>> j = np.tile(np.arange(w), (h,1))  >>> i  array([[0, 0, 0, 0, 0, 0, 0, 0, 0],         [1, 1, 1, 1, 1, 1, 1, 1, 1],         [2, 2, 2, 2, 2, 2, 2, 2, 2],         [3, 3, 3, 3, 3, 3, 3, 3, 3],         [4, 4, 4, 4, 4, 4, 4, 4, 4],         [5, 5, 5, 5, 5, 5, 5, 5, 5],         [6, 6, 6, 6, 6, 6, 6, 6, 6]])  >>> j  array([[0, 1, 2, 3, 4, 5, 6, 7, 8],         [0, 1, 2, 3, 4, 5, 6, 7, 8],         [0, 1, 2, 3, 4, 5, 6, 7, 8],         [0, 1, 2, 3, 4, 5, 6, 7, 8],         [0, 1, 2, 3, 4, 5, 6, 7, 8],         [0, 1, 2, 3, 4, 5, 6, 7, 8],         [0, 1, 2, 3, 4, 5, 6, 7, 8]]) 
复制代码


稍加变换,就得到各个像素在以图像中心点为原点的平面直角坐标系里的坐标。


>>> i = i - h//2  >>> j = j - w//2  >>> i  array([[-3, -3, -3, -3, -3, -3, -3, -3, -3],         [-2, -2, -2, -2, -2, -2, -2, -2, -2],         [-1, -1, -1, -1, -1, -1, -1, -1, -1],         [ 0,  0,  0,  0,  0,  0,  0,  0,  0],         [ 1,  1,  1,  1,  1,  1,  1,  1,  1],         [ 2,  2,  2,  2,  2,  2,  2,  2,  2],         [ 3,  3,  3,  3,  3,  3,  3,  3,  3]])  >>> j  array([[-4, -3, -2, -1,  0,  1,  2,  3,  4],         [-4, -3, -2, -1,  0,  1,  2,  3,  4],         [-4, -3, -2, -1,  0,  1,  2,  3,  4],         [-4, -3, -2, -1,  0,  1,  2,  3,  4],         [-4, -3, -2, -1,  0,  1,  2,  3,  4],         [-4, -3, -2, -1,  0,  1,  2,  3,  4],         [-4, -3, -2, -1,  0,  1,  2,  3,  4]]) 
复制代码


自然,也很容易计算出每个像素距离图像中心的距离数组(以 d 表示)。


下面的代码使用 np.hypot()函数完成距离计算,如果先求平方和再开平方,也没有问题,只是不够酷而已。


 d = np.hypot(i, j)   d  array([[5.        , 4.24264069, 3.60555128, 3.16227766, 3.        ,          3.16227766, 3.60555128, 4.24264069, 5.        ],         [4.47213595, 3.60555128, 2.82842712, 2.23606798, 2.        ,          2.23606798, 2.82842712, 3.60555128, 4.47213595],         [4.12310563, 3.16227766, 2.23606798, 1.41421356, 1.        ,          1.41421356, 2.23606798, 3.16227766, 4.12310563],         [4.        , 3.        , 2.        , 1.        , 0.        ,          1.        , 2.        , 3.        , 4.        ],         [4.12310563, 3.16227766, 2.23606798, 1.41421356, 1.        ,          1.41421356, 2.23606798, 3.16227766, 4.12310563],         [4.47213595, 3.60555128, 2.82842712, 2.23606798, 2.        ,          2.23606798, 2.82842712, 3.60555128, 4.47213595],         [5.        , 4.24264069, 3.60555128, 3.16227766, 3.        ,          3.16227766, 3.60555128, 4.24264069, 5.        ]])  
复制代码


设想一下,如果想将不同的距离使用 jet 颜色映射表映射为不同的颜色,图像是什么样子呢?


如果再选取图像中的某个特定区域,比如列号的平方小于 10 倍行号的全部像素,将选中区域各个点的距离使用 Paired 颜色映射表映射为不同的颜色,图像又会变成什么样子呢?下面用 10 行代码实现了这一切。


  def draw_picture(w, h, cm1='jet', cm2='Paired'):  
cm1, cm2 = mplcm.get_cmap(cm1), mplcm.get_cmap(cm2) colormap1, colormap2 = np.array([cm1(k) for k in range(cm1.N)]), np.array([cm2(k) for k in range(cm2.N)]) i, j = np.repeat(np.arange(h),w).reshape(h,w)-h//2, np.tile(np.arange(w), (h,1))-w//2 d = np.hypot(i, j) e = d[(j*j/10)<i] d = np.int32((cm1.N-1)*(d-d.min())/(d.max()-d.min())) d = np.uint8(255*colormap1[d]) e = np.int32((cm2.N-1)*(e-e.min())/(e.max()-e.min())) d[(j*j/10)<i] = np.uint8(255*colormap2[e]) Image.fromarray(d).show() draw_picture(1200, 900, cm1='jet', cm2='Paired')
复制代码


运行上面的这段代码,你就会看到本文开头所展示的那幅图画。这就是使用 NumPy 绘画的核心技巧,融会贯通之后,相信你也能够绘制出更漂亮、更绚丽的作品来。

发布于: 刚刚阅读数: 2
用户头像

Peter

关注

志之所趋,无远弗届,穷山距海,不能限也。 2019.01.15 加入

还未添加个人简介

评论

发布
暂无评论
Numpy可视化绘图