在Pylab中隔离颜色通道的问题

Question

我想绘制具有特定颜色的numpy 2d矩阵。在示例中，颜色为红色。如果我只使用imshow，那么它会绘制正确的函数，但会将其绘制为热图颜色。这非常适合查看最大值，最小值等，但我希望将3个图像合并到同一个图像中，并将每个图像隔离为组合图像中的RGB通道。

我没有得到我期望的结果，所以我比较了孤立的R值并尝试使用imshow，并且显然没有像我刚才那样使用{ {1}}在2D（单通道）矩阵上。造成这种情况的原因是什么？

请注意，我要使用imshow（不是pylab，PIL等 - 我希望使用{{1}在Image中完成此任务}）

以下脚本是我遇到问题的最低示例：

pylab

我在这里列举了一个例子 - 红色图像应该显示与热图图像相同的定性特征，但它显示了某些东西......古怪？

Answer 1

前面的一些事情

进口

您不应该from pylab import *和import numpy as np。 pylab由matplotlib.pyplot和numpy组成。好的风格是将单个模块导入而不是全部导入全局命名空间。

import numpy as np
import matplotlib.pyplot as plt

imshow，show是来自pyplot的函数，因此您需要在plt.前添加前缀。 sqr，exp等来自numpy的功能，因此请在np.前加上

更快更简单的计算图像的方法

使用numpy.meshgrid，您可以在没有任何python for循环的情况下获得一个原子的计算。

n_pixel_x = n_pixel_y = 1000
pixel_x = np.linspace(0.0, 10.0, n_pixel_x)
pixel_y = np.linspace(0.0, 10.0, n_pixel_y)
pixel_x, pixel_y = np.meshgrid(pixel_x, pixel_y)

为每个图像像素提供2个2d阵列，其值为x和y。 这简化了单个原子图像的计算：

r = np.sqrt((x - pixel_x)**2 + (y - pixel_y)**2)
single_image = fmax * np.exp(-al * r)

＆＃34;如果您使用for i in range(N)访问数组成员，那么您做错了＆＃34;

使用zip功能：

n_atoms = 4
atoms_x = np.random.uniform(0, 10, n_atoms)
atoms_y = np.random.uniform(0, 10, n_atoms)
atoms_al = np.random.uniform(0, 10, n_atoms)

for x, y, al in zip(atoms_x, atoms_y, atoms_al):
    r = np.sqrt((x - pixel_x)**2 + (y - pixel_y)**2)
    single_image = fmax * np.exp(-al * r)
    image += single_image

现在到色彩映射问题：

plt.imshow()命令使用colormap呈现二维数组 是一个将2d数组的值转换为颜色的函数。

默认色图是jet，它提供了这种彩虹形状。 对于简单的灰度图像，其他有用的色图为gray，对于黑体辐射，其他有用的色图为hot。 gray在我看来适合显示单一颜色通道。

plt.imshow(image, cmap='gray)

此处显示所有可用的色彩映射：http://matplotlib.org/examples/color/colormaps_reference.html

为什么使用RGB图像与显示2d-Array不同？

如果给plt.imshow一个RGB数组（所以一个数组的形状为（x，y，3）），matplotlib希望这些值在[0,1]中。所以你必须在绘制之前对它们进行标准化。

image_rgb = np.zeros([n_pixel_x, n_pixel_y, 3])
# normalize the image to values in [0, 1]
normalized_image = (image - image.min()) / (image.max() - image.min())
image_rgb[:, :, 0] = normalized_image

plt.imshow(image_rgb)

使用RGB通道：

#!/usr/bin/env python
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(0)

def normalize_image(image):
    a = np.min(image)
    b = np.max(image)
    return (image - a) / (b - a)

n_pixel_x = n_pixel_y = 1000
pixel_x = np.linspace(0.0, 10.0, n_pixel_x)
pixel_y = np.linspace(0.0, 10.0, n_pixel_y)

pixel_x, pixel_y = np.meshgrid(pixel_x, pixel_y)


fmax = 4000.0

image_rgb = np.zeros([n_pixel_x, n_pixel_y, 3])
for i in range(3):
    image = np.zeros([n_pixel_x, n_pixel_y])
    n_atoms = 4
    atoms_x = np.random.uniform(0, 10, n_atoms)
    atoms_y = np.random.uniform(0, 10, n_atoms)
    atoms_al = np.random.uniform(0, 10, n_atoms)

    for x, y, al in zip(atoms_x, atoms_y, atoms_al):
        r = np.sqrt((x - pixel_x)**2 + (y - pixel_y)**2)
        single_image = fmax * np.exp(-al * r)
        image += single_image

    image_rgb[:, :, i] = image

plt.figure(figsize=(10, 10))

plt.subplot(2, 2, 1)
plt.title('RGB')
plt.imshow(normalize_image(image_rgb))

plt.subplot(2, 2, 2)
plt.title('R')
plt.imshow(image_rgb[:, :, 0], cmap='gray')

plt.subplot(2, 2, 3)
plt.title('G')
plt.imshow(image_rgb[:, :, 1], cmap='gray')

plt.subplot(2, 2, 4)
plt.title('B')
plt.imshow(image_rgb[:, :, 2], cmap='gray')

plt.tight_layout()
plt.show()

结果：