点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
来源|极市平台
方法一
作者|冯昱尧
https://www.zhihu.com/question/21664179/answer/18928725
强烈推荐 Python 的绘图模块 matplotlib: python plotting 。画出来的图真的是高端大气上档次,低调奢华有内涵~ 适用于从 2D 到 3D,从标量到矢量的各种绘图。能够保存成从 eps, pdf 到 svg, png, jpg 的多种格式。并且 Matplotlib 的绘图函数基本上都与 Matlab 的绘图函数名字都差不多,迁移的学习成本比较低。开源免费。如图所示(题目描述中的图在最后):
(以下图片均引用自 Thumbnail gallery )
像这种普通的函数图象:
![](https://i-blog.csdnimg.cn/blog_migrate/d5b116f258c9eb6d97b6f4180194fe4f.png)
plt.fill(x, y1, 'b', x, y2, 'r', alpha=0.3)
以及这种 Scatter 图(中文不知道该怎么说…):
![](https://i-blog.csdnimg.cn/blog_migrate/478c82d0e29d3a2a59dd02c82add3b4e.png)
plt.scatter(x, y, s=area, alpha=0.5)
精致的曲线,半透明的配色。都显出你那高贵冷艳的X格,最重要的是只需一行代码就能搞定。从此以后再也不用忍受 Matlab以及GNUPlot 中那蛋疼的配色了。
想画 3D 数据?没有问题 (不过用 mayavi 可能更方便一些):
![](https://i-blog.csdnimg.cn/blog_migrate/2b659bad4f13eda996e7c779191d1b46.png)
ax.plot_surface(X, Y, Z, rstride=8, cstride=8, alpha=0.3)
cset = ax.contourf(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm)
cset = ax.contourf(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm)
cset = ax.contourf(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm)
四行代码你就能拥有(后三行是画坐标平面上的等高线,严格的额说还是一行)。
除此以外,不过你是矢量场,网络还是什么奇葩的需求都能够搞定:
![](https://i-blog.csdnimg.cn/blog_migrate/b8a74c3f1c4918b32cd69d1e90f927a6.png)
plt.streamplot(X, Y, U, V, color=U, linewidth=2, cmap=plt.cm.autumn)
plt.colorbar()
![](https://i-blog.csdnimg.cn/blog_migrate/53ea7d81f3cea5d954087d14665e61ce.png)
plt.triplot(x, y, triangles, 'go-')
plt.title('triplot of user-specified triangulation')
plt.xlabel('Longitude (degrees)')
plt.ylabel('Latitude (degrees)')
![](https://i-blog.csdnimg.cn/blog_migrate/d44926906c9cea14943f638aa9b3c30d.png)
ax = plt.subplot(111, polar=True)
bars = ax.bar(theta, radii, width=width, bottom=0.0)
这还没完,Matplotlib 还支持Latex公式的插入,当别人画的图还是这个样子的时候(以下图片引用自Matplotlib Tutorial(译))
![](https://i-blog.csdnimg.cn/blog_migrate/7cf94ef0b05abe5e526a66183d717b6e.png)
你能够把它变成这个样子:
![](https://i-blog.csdnimg.cn/blog_migrate/62bd3e4e09b4f8aebf8bab84cdaf545f.png)
如果再搭配上 IPython 作为运行终端(这张图是自己的~):
![](https://i-blog.csdnimg.cn/blog_migrate/f5831a417d66379ab21cc192b1ddb6d3.png)
简直就是神器啊,有木有!
心动不如行动,还等什么?
经@许铖同学提醒,再补充一句,matplotlib 还可以话 xkcd 风格的图呦~
![](https://i-blog.csdnimg.cn/blog_migrate/7a9d181f4b1c7c3ccc9d06b189209fb0.png)
(图片引用自网络)
此外结合 IPython Notebook 后更多精彩内容,请看http://nbviewer.ipython.org/
如果嫌安装麻烦并且恰好在 Windows 系统下的话可以尝试Python的一个发行版winpython - Portable Scientific Python 2/3 32/64bit Distribution for Windows。
鉴于@van li同学质疑 matplotlib 是否能画出题目中所示的图像,我在这里将题目中的图像用 matplotlib 画出来如下:
![](https://i-blog.csdnimg.cn/blog_migrate/db808ef60a4f09da8a659d993205d4c6.png)
代码在此处:
https://gist.github.com/coldfog/c479124328fc6bb8b789
![](https://i-blog.csdnimg.cn/blog_migrate/0a438b719dcd19d3aad8a2ffa0fc9000.png)
代码在此处:
https://gist.github.com/coldfog/5da63a6958fc0a949b52
看到楼下有人说配色和好看,唉....那我也贴几个吧...只不过当初限于篇幅没有写而已。
首先,python 有一个专门的配色包jiffyclub/brewer2mpl 路 GitHub,提供了从美术角度来讲的精美配色(戳这里感受ColorBrewer: Color Advice for Maps)。
此外还有一些致力于美化绘图的库,用起来也都非常方便,比如olgabot/prettyplotlib 路 GitHub。
废话不多说,上图就是王道。
(一下图片来源网络)
![](https://i-blog.csdnimg.cn/blog_migrate/cc9188996578517a0d861f438c50b669.png)
![](https://i-blog.csdnimg.cn/blog_migrate/570f5a673580d9407fc5f00de91ba2cb.png)
![](https://i-blog.csdnimg.cn/blog_migrate/c08fe08d3314cb30134134255f83637d.png)
有人可能会说需要复杂的设置,其实也不用。比如上边这幅图,只需要多加一个参数就好:
cmap=brewer2mpl.get_map('RdBu', 'diverging', 8, reverse=True).mpl_colormap,
楼下说到统计绘图。嘛 seaborn (https://github.com/mwaskom/seaborn) 是一个调用 matplotlib 的统计绘图库,上图:
![](https://i-blog.csdnimg.cn/blog_migrate/8e9cd5d37b9ec1c58eafeeb27d31129a.png)
代码一行,后边的几乎都是一行,没做其他设置,默认就这样。我就不贴其他的代码了:
g = sns.jointplot(x1, x2, kind="kde", size=7, space=0)
![](https://i-blog.csdnimg.cn/blog_migrate/0cad3856f02b23e4291ebf597b8fbe9d.png)
![](https://i-blog.csdnimg.cn/blog_migrate/8d16a0e6f7415600c30cb7459c8f71a7.png)
![](https://i-blog.csdnimg.cn/blog_migrate/99933d6ed8fb6c01cb1a83bf7eebd94c.png)
![](https://i-blog.csdnimg.cn/blog_migrate/0224c93ce74ea080acfeea58e9ae0cc5.png)
![](https://i-blog.csdnimg.cn/blog_migrate/0eea9734b064015ed1ad4c0b9761225f.png)
这还有个更炫酷的可交互式的绘图,大家自己戳开看吧:
http://nbviewer.ipython.org/github/plotly/python-user-guidechaocc/blob/master/s0_getting-started/s0_getting-started.ipynb
哼哼,完爆了吧~~~~\(≧▽≦)/~
---
遇到安装问题的请尝试Anaconda这个Python发行版。下载安装后直接使用即可,它几乎预装了所有要用到的科学计算及可视化的库。
有盆友在评论里说希望能有完整的教程,确实就这个答案来说,离实际使用还有很大的距离,网上相关的中文资料也不多。不过真要写起来这个答案也装不下,况且写在这个问题下也不是很恰当。等到那天我有专栏了再说吧,到时候也许会写一个关于可视化的系列教程。
方法二
作者|阿昆
https://www.zhihu.com/question/21664179/answer/1182984311
翻遍这个问题下的所有回答,发现凡是提到Matlab的,其评价中常有‘锯齿’,‘菜鸟’,‘难看’,‘不忍直视’等标签。
然而,2020年了,技术提升了,观念进步了,当一些基本问题解决后,Matlab还那么‘不堪’吗?
![](https://i-blog.csdnimg.cn/blog_migrate/9366cb4b525d2f7a14455c4fa7c1fd0a.png)
观察Mathematica、Origin、Python/matplotlib、R/ggplot2等软件绘制的数据、结果图,其与Matlab图的差异主要体现在点、线、面等对象属性(位置、尺寸、颜色等)的不同上。
既然只是属性的不同,那是不是只要修改一下这些信息,就可以实现各种软件绘图风格之间的转换了呢?
答案是肯定的。
比如,这是高赞回答 @冯昱尧用Python/matplotlib绘制的一幅图:
![](https://i-blog.csdnimg.cn/blog_migrate/f43506c6cd1abfdd26f40c6e44146b3a.png)
我们用Matlab默认属性来绘制,效果是这样的(没加误差棒):
![](https://i-blog.csdnimg.cn/blog_migrate/10f45a2402f7b0b4c60c8517c89b0bdf.png)
然后,只需再修改一下位置、尺寸、颜色等信息,就可以得到风格差不多的图(没加误差棒):
![](https://i-blog.csdnimg.cn/blog_migrate/834c28dd46419f6b9896883629fa4de1.png)
当我们用这一思想来思考该如何绘制插图时,就很容易实现自己的小想法,仿造甚至创造出理想的插图。
比如,某一天,发现傍晚的天空颜色很美,心想:为什么不能把它画到论文插图里呢?(见:Matlab论文插图配色2——自然渐变)
于是,
![](https://i-blog.csdnimg.cn/blog_migrate/6e89edf86f59d7f3badb9e1d637f1d63.png)
![](https://i-blog.csdnimg.cn/blog_migrate/a52e6851683899e5834a2e1de67e866c.png)
再比如,某一天,看到女朋友的照片,觉得很美,心想:为什么不能把她画到论文插图里呢?(见:Matlab论文插图配色1——是女朋友的颜色)
于是,
![](https://i-blog.csdnimg.cn/blog_migrate/d7faac32b3ceec0b77a2e175a82d868e.png)
这时,有朋友就要说了:“哎呀答主,你整这些个花里花哨的东西,还不是得一行代码一行代码的敲出来啊,太麻烦了吧。”
此言差矣。
就像R有ggplot2,Python有matplotlib,Matlab其实也有很多现成的绘图工具包,并不需要你自己开发。
比如,
Pierre Morel [1] 结合ggplot2,开发了gramm工具,用于绘制复杂图形。
Inspired by ggplot2 (Wickham 2009), the R implementation of “grammar of graphics” principles (Wilkinson 1999), gramm improves Matlab’s plotting functionality, allowing to generate complex figures using high-level object-oriented code.
示例效果如下:
![](https://i-blog.csdnimg.cn/blog_migrate/365fb3f269806a4140624df44eeee141.png)
![](https://i-blog.csdnimg.cn/blog_migrate/9612ddfc64d6357283c1aa4c94618429.png)
![](https://i-blog.csdnimg.cn/blog_migrate/13541d81909fb8597f5bc48042da20d0.png)
![](https://i-blog.csdnimg.cn/blog_migrate/4cadd8245cc9cb7035cafda1bd5e22de.png)
![](https://i-blog.csdnimg.cn/blog_migrate/9f4af8638bf378ff0437cec566b9b5a0.png)
![](https://i-blog.csdnimg.cn/blog_migrate/4d202f0bdfc9b456c007b7f4046f37b0.png)
![](https://i-blog.csdnimg.cn/blog_migrate/fb208d263eb87cf5ead9e0279aed0847.png)
![](https://i-blog.csdnimg.cn/blog_migrate/d4fa27783dd9fd2b67e9deee9d299e8c.png)
![](https://i-blog.csdnimg.cn/blog_migrate/678a3f453b3c4e0be60f39d01b13bc61.png)
![](https://i-blog.csdnimg.cn/blog_migrate/de435ac3d736d33949156d3655d44d94.png)
![](https://i-blog.csdnimg.cn/blog_migrate/537c71cbf9f3b379161d822119918c0f.png)
类似的,Stephen Cobeldick [2] 将matplotlib配色方案移植到了Matlab。
也就是说,在Matlab中就可以直接用matplotlib的配色方案了,就不必总是‘jet’了。
The MatPlotLib 2.0 default colormaps ported to MATLAB. This submission also includes the Line ColorOrder colormaps!
示例效果如下:
![](https://i-blog.csdnimg.cn/blog_migrate/ad67765fcd4f6e9d07b9fcf471d2b463.png)
![](https://i-blog.csdnimg.cn/blog_migrate/9f9c8ca4a69b0076007ec548de2b900e.png)
还有很多专门针对论文插图的工具包,这里就不一一介绍了。
总的来说,工具只是工具,它们并没有高低贵贱之分。
若想画出好看的插图,关键还是在于使用工具的人。
集中一点,登峰造极。
参考:
Morel P . Gramm: grammar of graphics plotting in Matlab.
Cobeldick S . MatPlotLib Perceptually Uniform Colormaps.
本文仅做学术分享,如有侵权,请联系删文。
下载1
在「3D视觉工坊」公众号后台回复:3D视觉,即可下载 3D视觉相关资料干货,涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复:3D视觉优质源码,即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复:相机标定,即可下载独家相机标定学习课件与视频网址;后台回复:立体匹配,即可下载独家立体匹配学习课件与视频网址。
重磅!3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群。
一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球:针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近2000星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
整理不易,请给工坊点赞和在看!