「 Python数据可视化系列」6.图像可视化和3D图形

来源 | 「Practical Python Data Visualization  A Fast Track Approach To Learning Data Visualization With Python」

作者 | Ashwin Pajankar

译者 | Liangchu

校对 | gongyouliu

编辑 | auroral-L

全文共4220字，预计阅读时间20分钟。

第六章 图像可视化和3D图形

目录

 

  

  一、图像可视化
  二、操作图像
  三、三维（3D）可视化
  ❤总结

在第五章 「使用NumPy和Matplotlib进行数据可视化」中，我们开始使用Python 3中的Matplotlib库进行可视化。在本章中，我们将继续学习Matplotlib和NumPy来可视化图像和三维形状（3D shape）。本章将学习以下内容继续探索数据可视化：

• 图像可视化

• 操作图像

• 三维（3D）可视化

本章结束后，你将能够处理图像和三维形状。

一、图像可视化

在本节中，我们将学习如何可视化图像。首先，我们为本章创建一个新笔记本。Matplotlib的函数imread()可以读取.png文件格式的图像，要使它能够读取其他格式的文件，我们必须安装另一个名为pillow的图像处理库。通过在笔记本单元格中运行以下命令进行安装：

!pip3 install pillow

使用我们在第5章中学习的命令使笔记本能够内联显示Matplotlib可视化输出：

%matplotlib inline

使用以下命令导入Matplotlib的Pyplot模块：

import matplotlib.pyplot as plt

现在，让我们使用函数imread()将图像读入，以作为变量，如下所示：

img1 = plt.imread('D:\\Dataset\\4.1.02.tiff')

如果你使用的是Linux、Unix或MacOS计算机，则需要改变一下文件路径，使用以下约定：

img1 = plt.imread('/home/pi/book/dataset/4.1.02.tiff')

你使用的路径必须是绝对路径。如果该图像文件与程序位于同一目录中，则仅写文件名就可以了。

此函数读取图像并将其作为数值矩阵存储在NumPy ndarray中。我们可以通过运行以下代码行来验证这一点：

print(type(img1))

输出如下：

<class 'numpy.ndarray'>

这证实了科学Python库将图像处理为NumPy ndarray的形式。

我们可以使用Matplotlib的imshow()函数显示该ndarray对应的图像，然后使用show()函数将其显示为图形进行输出，如下所示：

plt.imshow(img1)plt.show()

输出如图（6-1）所示：

 

可以按如下方式关闭轴：

plt.imshow(img1)

plt.axis(False)

plt.show()

注意：我用于演示的所有图像都是从

http://www.imageprocessingplace.com/rootfilesV3/image_databases.htm中下载的。

让我们读一个灰度图像（grayscale image）（灰度数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。），如下所示：

img2 = plt.imread('D:\\Dataset\\5.3.01.tiff')

我们可以使用以下代码显示它：

plt.imshow(img2)

plt.axis(False)

plt.show()

如图（6-2）显示了输出：

 

如你所见，颜色看起来有点奇怪——这根本不是一个彩色图像！Matplotlib使用默认颜色映射（color map）显示灰度图像。我们可以显式地指定灰度图来正确地可视化此图像，如下所示：

plt.imshow(img2, cmap=plt.cm.gray)

plt.axis(False)

plt.show()

结果如图（6-3）所示：

 

我们还可以按以下方式指示颜色映射：

plt.imshow(img2, cmap='gray')

plt.axis(False)

plt.show()

接下来我们将讨论在图像上的基本操作。

二、操作图像

我们可以使用NumPy对图像执行基本操作，并使用Matplotlib进行可视化输出。首先让我们了解一些算术运算，我们需要两幅尺寸相同的图像来进行算术运算。让我们读取另一个彩色图像，代码如下：

img3 = plt.imread('D:\\Dataset\\4.1.03.tiff')

我们可以将其可视化如下：

plt.imshow(img3)plt.axis(False)plt.show()

如图（6-4）显示了输出：

 

我们可以将两幅图片相加，并且将它们可视化，代码如下：

add = img1+img3

plt.imshow(add)

plt.axis(False)

plt.show()

如图（6-5）显示了输出：

 

加法运算是一种可交换（排列次序不影响结果）的算术运算，这意味着如果我们改变操作数的顺序，它将不会影响输出：

add1 = img3+img1

plt.imshow(add)

plt.axis(False)

plt.show()

再来试试减法运算：

sub1= img1-img3

plt.imshow(sub1)

plt.axis(False)

plt.show()

如图（6-6）显示了输出：

 

我们知道减法运算是不可交换的，这意味着如果我们改变操作数的顺序，那么结果就不同了。让我们试一下：

sub1 = img3-img1

plt.imshow(sub1)

plt.axis(False)

plt.show()

因此，如下图（6-7）所示的输出与上图（6-6）的输出不同：

 

我们知道图像在SciPy中表示为NumPy ndarray。彩色图像和灰度图像的区别在于彩色图像是由多个通道（channel）组成的，这些通道本身就是ndarrays。利用NumPy中的索引技术，我们可以对彩色图像进行分割，并对组成通道分别进行可视化。彩色图像的红色、绿色和蓝色各有一个通道。可以使用NumPy索引拆分图像，如下所示：

r = img3[:, :, 0]

g = img3[:, :, 1]

b = img3[:, :, 2]

让我们使用Matplotlib中的子图（subplot）可视化原始图像和颜色通道：

plt.subplots_adjust(hspace=0.4, wspace=0.1)

plt.subplot(2, 2, 1)

plt.title('Original')

plt.imshow(img3)

plt.subplot(2, 2, 2)

plt.title('Red')

plt.imshow(r, cmap='gray')

plt.subplot(2, 2, 3)

plt.title('Green')

plt.imshow(g, cmap='gray')

plt.subplot(2, 2, 4)

plt.title('Blue')

plt.imshow(b, cmap='gray')

plt.show()

让我们检查一下前面的代码。你正在使用函数subplot()创建一个2×2的网格。函数subplots_adjust()被用于调整可视化之间的距离。2×2网格中的左上角位置为1，它在同一行中的相邻位置为2，依此类推。右下角的位置是第四个位置。在函数subplot()之前使用imshow()或plot()，我们可以决定可视化的绝对位置。输出如图（6-8）所示：

 

颜色通道本身就是2D矩阵，对于彩色图像的8位无符号整数表示格式来说，其成员的值从0到256不等。当它们组合在一起时，Matplotlib将它们解释为彩色图像。我们可以使用适当的颜色映射将其可视化，如下所示：

plt.subplots_adjust(hspace=0.4, wspace=0.1)

plt.subplot(2, 2, 1)

plt.title('Original')plt.imshow(img3)

plt.subplot(2, 2, 2)

plt.title('Red')

plt.imshow(r, cmap='Reds')

plt.subplot(2, 2, 3)

plt.title('Green')

plt.imshow(g, cmap='Greens')

plt.subplot(2, 2, 4)

plt.title('Blue')

plt.imshow(b, cmap='Blues')

plt.show()

输出如图（6-9）所示：

 

我们可以使用以下代码来组合组成通道以形成原始图像：

import numpy as npimg4 = np.dstack((r, g, b))

我们正在使用NumPy库中的函数dstack()，我们可以用一般的代码将输出可视化：

plt.imshow(img4)

plt.axis(False)plt.show()

上面讲了如何执行非常基本的图像处理操作，比起我们上面所学的，还有更多更复杂的图像处理操作，如果要进行进一步的演示与学习，就需要使用一本单独的书来讲解了。

三、三维（3D）可视化

在本节中，我们将研究Python 3的三维可视化。到目前为止，我们一直在笔记本本中展示可视化效果，这个过程很适合二维（2D）可视化，然而，在三维可视化的情况下，它只能以固定的角度来显示。因此，我们必须使用另一种方法来进行三维可视化，最好的方法是使用另一个特别神奇的命令，在单独的Qt窗口中显示可视化效果，如下所示：

%matplotlib qt

我们已经在前面的单元格中导入了Matplotlib和NumPy中的pyplot模块（假设你在整个章节中使用的是相同的笔记本）。我们必须使用以下语句导入更多功能：

from mpl_toolkits.mplot3d import Axes3D

from mpl_toolkits.mplot3d import axes3d

让我们按照从易到难的顺序学习三维可视化。我们已经了解了如何绘制简单的绘图，所以现在我们将在3D中执行相同的操作。从简单的参数曲线开始。首先定义图形和轴：

fig = plt.figure()

ax = fig.gca(projection='3d')

对于三维可视化，我们使用参数和参数对projection='3D'启用了三维投影。接下来定义数据，需要数据点的x、y和z坐标。首先定义数据点的极坐标如下：

theta = np.linspace(-3 * np.pi, 3 * np.pi, 200)

z = np.linspace(-3, 3, 200)

r = z**3 + 1

现在，计算x和y坐标如下：

x = r * np.sin(theta)

y = r * np.cos(theta)

我们使用NumPy库中的三角函数来计算x和y。最后，让我们绘制如下：

ax.plot(x, y, z, label='Parametric Curve')

ax.legend()

plt.show()

如图（6-10）所示，输出将显示在一个单独的窗口中，它将以一种我们能够改变视角的方式进行交互：

 

注意：如果没有弹出单独的输出窗口，并且浏览器本身显示了三维可视化效果，则必须重新启动Jupyter内核并重新执行相关单元格。在这种情况下，不要执行包含%matplotlib inline的单元格。

接下来，让我们创建一个三维条形图。现在计算数据如下：

x = np.arange(4)

y = np.arange(4)

xx, yy = np.meshgrid(x, y)

print(xx);print(yy)

函数meshgrid()根据坐标向量创建并返回坐标矩阵，如下所示：

[[0 1 2 3]

 [0 1 2 3]

 [0 1 2 3]

 [0 1 2 3]]

[[0 0 0 0]

 [1 1 1 1]

 [2 2 2 2]

 [3 3 3 3]]

然后使用函数ravel()将两个矩阵展平，如下所示：

X, Y = xx.ravel(), yy.ravel()

print(X); print(Y);

这将产生以下输出：

[0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3]

[0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3]

现在，计算更多值：

top = X + Y

bottom = np.zeros_like(top)

width = depth = 1

接下来，创建一个图形和轴，并创建条形图，如下所示：

fig = plt.figure(figsize=(8, 3))

ax1 = fig.add_subplot(121, projection='3d')

ax2 = fig.add_subplot(122, projection='3d')

ax1.bar3d(X, Y, bottom, width, depth, top, shade=True)

ax1.set_title('Shaded')

ax2.bar3d(X, Y, bottom, width, depth, top, shade=False)

ax2.set_title('Not Shaded')plt.show()

这将产生如图（6-11）所示的条形图：

 

接下来让我们将线框可视化如下：

fig = plt.figure()

ax = fig.gca(projection='3d')

X, Y, Z = axes3d.get_test_data(delta=0.1)

ax.plot_wireframe(X, Y, Z)

plt.show()

在这个代码段中，我们首先在三维模式下创建一个图形和一个轴，然后，内置函数get_test_data()返回测试数据，接下来我们使用函数plot_wireframe()来绘制线框模型。输出如图（6-12）所示：

 

最后，让我们计算并可视化一个曲面。首先，计算x和y坐标，然后计算网格：

x = np.arange(-3, 3, 0.09) 

y = np.arange(-3, 3, 0.09) 

X, Y = np.meshgrid(x, y) 

print(X); print(Y)

输出如下所示：

[[-3. -2.91 -2.82 ... 2.76 2.85 2.94]

 [-3. -2.91 -2.82 ... 2.76 2.85 2.94]

 [-3. -2.91 -2.82 ... 2.76 2.85 2.94] 

 ...

 [-3. -2.91 -2.82 ... 2.76 2.85 2.94]

 [-3. -2.91 -2.82 ... 2.76 2.85 2.94]

 [-3. -2.91 -2.82 ... 2.76 2.85 2.94]]

[[-3. -3. -3. ... -3. -3. -3. ]

 [-2.91 -2.91 -2.91 ... -2.91 -2.91 -2.91]

 [-2.82 -2.82 -2.82 ... -2.82 -2.82 -2.82]

 ...

 [ 2.76 2.76 2.76 ... 2.76 2.76 2.76]

 [ 2.85 2.85 2.85 ... 2.85 2.85 2.85]

 [ 2.94 2.94 2.94 ... 2.94 2.94 2.94]]

接下来，计算z坐标，如下所示：

R = np.sqrt(X**2 + Y**2) 

Z = np.cos(R) 

print(Z)

最后，创建图形和轴，并可视化三维曲面：

fig = plt.figure()

ax = fig.gca(projection='3d')

surf = ax.plot_surface(X, Y, Z,

 cmap=plt.cm.cool,

 linewidth=0,

 antialiased=False)

plt.show()

这将产生如图（6-13）所示的输出：

 

❤总结

在本章中，你学习并演示了图像可视化，你还了解并演示了图像的基本操作，如算术运算和将彩色图像拆分为组成通道。我们还讨论了如何编写三维可视化程序，包括曲线、条形图、线框和网格。

下一章将探讨如何可视化网络和图形数据结构。