全部标签
写点什么
MySQL云计算程序员行业资讯学习算法Python人工智能区块链Linux前端个人成长面试架构师编程企业动态新基建敏捷安全读书笔记高效工作团队管理创业活动专区生涯规划知识管理运维产品经理 查看更多

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。

划线
评论
复制
发布于: 刚刚阅读数: 2

版权声明: 本文为 InfoQ 作者【Peter】的原创文章。

原文链接:【http://xie.infoq.cn/article/5b6ee0de6145a940e5fe18d35】。文章转载请联系作者。

机器学习数据分析Numpy
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
Copyright © 2022, Geekbang Technology Ltd. All rights reserved. 极客邦控股（北京）有限公司 | 京 ICP 备 16027448 号 - 5京公网安备京公网安备 11010502039052号
Numpy可视化绘图