与Numpy兼容的图像绘制库

Question

我需要在python中覆盖图像上的一般坐标网格。我可以计算网格线的像素坐标，所以我只需要一个能够在图像顶部将它们绘制为虚线的模块。图像以numpy数组的形式出现，所以我需要能够在它们和绘图库使用的图像格式之间进行转换（一个方向就足够了 - 我可以绘制网格并将其导出到numpy，或导入numpy数组并在其上绘制）。它还需要相当快。

以下是我尝试的内容：

棒

最近获得了绘制虚线的支持，并且与numpy兼容：

with Drawing() as draw:
    draw.stroke_antialias = False
    draw.stroke_dash_array = [1,3]
    draw.stroke_color = Color("gray")
    draw.fill_opacity = 0
    points = calc_grid_points()
    draw.polyline(points)
    with Image(width=width, height=height) as img:
        draw(img)
        return np.fromstring(img.make_blob("RGBA"),np.uint8).reshape(img.height, img.width, 4)

但是，使用此库在2000x1000图像上绘制几百条虚线需要 30s ！几乎所有的时间花在draw(img)上。所以，除非我在这里做一些非常错误的事情，否则魔杖太慢了。

PIL

Python Image Library一般工作正常，但它似乎不支持虚线。我没有看到任何人直接说出来，但谷歌搜索只会让2-3个人询问它而没有得到任何答案。非虚线坐标网格看起来不太好，并且可以掩盖大部分正在绘制的图像。 PIL比魔杖快很多。对于上面的魔杖版本，这个没有破坏但是等效的版本只需要0.06 画画。这比魔杖快450倍！

    img  = PIL.Image.new("RGBA", (width, height))
    draw = PIL.ImageDraw.Draw(img)
    segs = calc_grid_points()
    for seg in segs:
        draw.line([tuple(i) for i in seg], fill=(0,0,0,32))
    return np.array(img)

GD

gd支持虚线，但我找不到将图像转换为numpy数组的有效方法。

Matplotlib

Matplotlib对绘制坐标网格和轴有适当的支持，但遗憾的是，似乎无法避免重新像素化。它坚持建立一组新的像素，这些像素永远不会与原始像素进行1对1的映射。这对于平滑图像来说很好，但对于像素到像素的变化很大的图像则不行。

以下是matplotlib repixelization的一个示例：

import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
n = 1001
data = np.arange(n*n).reshape(n,n)%2
plt.imshow(data)
plt.savefig("test.png")

此图像包含一个图案，该图案在棋盘图案中为每个像素切换0到1。但据我所知，没有办法确保一个像素的数据与输出中的一个像素完全对应。如果它没有，你会得到像这段代码产生的moiree模式：

手动调整dpi设置可以减少此问题，但不能消除它。正确的输出将使图的数据部分恰好占用1001像素（因此总图像将大于1001像素），并且在每个方向上显示500次重复的图案。

编辑：添加interpolation='none'无济于事。这只会导致matplotlib使用最近邻居。它仍然没有显示所有数据。这是输出的样子：

以下是正确的输出结果（我将其裁剪为500x500，完整版本为1001x1001）：

但matplotlib并不是我的问题 - 它只是在python中的图像上绘制虚线。 Matplotlib只是一种可行的方法。

替代？

所以我想知道，还有其他图像库可以实现吗？或者我是否忽略了上述功能使其可用？

Answer 1

使用matplotlib，一旦你移除了帧和刻度线，玩dpi似乎会给出OK结果。

然而，只有一次抢夺，边界框计算会遇到舍入错误，因此我们需要手动修复bbox大小：

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

# Some fake data
n = 1001
data = np.arange(n*n).reshape(n,n)%2
data = data[:n//2,:]

def get_bitmap_frame(data, dpi=None):
    """
    Construct a figure for overlaying elements on top of bitmap data.

    Returns
    -------
    fig, ax
        Matplotlib figure and axis objects
    """
    if dpi is None:
        dpi = matplotlib.rcParams['savefig.dpi']
    dpi = float(dpi)

    fig = plt.figure(figsize=(data.shape[1]/dpi, data.shape[0]/dpi), dpi=dpi)
    ax = fig.add_axes([0, 0, 1, 1], frame_on=False)
    ax.xaxis.set_visible(False)
    ax.yaxis.set_visible(False)
    ax.imshow(data, interpolation='none')

    # Note: it can happen that floating point rounding error in
    # bbox calculation results to the bbox size being off by one
    # pixel. Because of this, we set it manually
    fig.bbox = matplotlib.transforms.Bbox.from_bounds(0, 0, data.shape[1], data.shape[0])
    return fig, ax

fig, ax = get_bitmap_frame(data)

# Annotate
ax.text(100, 100, 'Hello!', color='w')

fig.savefig("test.png")