将matlab的figure保存为pdf，避免图片太大缺失

最新推荐文章于 2023-01-02 17:44:59 发布

weixin_34037977

最新推荐文章于 2023-01-02 17:44:59 发布

阅读量2.8k

点赞数 4

文章标签： matlab illustrator

有时画的matlab图太大，或者有太多的子图，导致图太宽，如果直接保存成pdf的话，会导致左右边丢失，显示不下。一个有效又简单的办法是：

1、在matlab figure里面，Edit -> Copy Figure

2、在adobe acrobat里面，文件->创建PDF->从剪贴板。

就这么简单，根本无需什么eps2pdf，什么illustrator打印之类的

from: http://blog.sciencenet.cn/blog-242887-642730.html

http://hi.baidu.com/seuliu/item/e5931ceebaceb90f8c3ea827

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_34037977

关注关注

4
点赞
踩
5

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

matlab之保存图为pdf超出页面大小

落日之城

07-23

1万+

写论文时经常会在latex中插入pdf的图，但是有的图很长或很大在保存成PDF时可能会提示超出页面大小从而保存不完整。因为matlab默认画图保存成pdf是A4大小。那么我们可以通过修改保存图的大小来完整地保存。使用figure的papertype属性。 set(gcf,'PaperType','a3');...

MATLAB制作直方图

最新发布

分享科研过程中编写的原创代码~

05-07

1406

统计每个区间内数据的个数理解数据的实际数量分布适合数据量不太大时用比较不同样本规模的数据分布强调数据比例而非具体数量避免样本量影响解读估计概率密度函数分布拟合或对比分析用于统计分析前的可视化检验对比不同组数据的分布展示组间的相似或差异可与透明度叠加更清晰呈现你想了解什么？用哪种直方图？数据在各区间的数量分布频数直方图各区间数据所占比例频率直方图数据的概率密度估计概率密度直方图对比两组或多组数据的分布分组直方图数据分布整体趋势，是否近似正态分布概率密度直方图或频率直方图。

1 条评论您还未登录，请先登录后发表或查看评论

Matlab图窗保存为pdf文件

weixin_44105113的博客

04-23

2666

matlab直接在图窗操作“另存为”，得到的pdf文件图像质量损失大。可以在窗口调整好图片后，执行语句： set(gcf,'Units','Inches'); pos = get(gcf,'Position'); set(gcf,'PaperPositionMode','Auto','PaperUnits','Inches','PaperSize',[pos(3), pos(4)]) print(gcf,'filename','-dpdf','-r0') PS:执行时不要关闭窗口。 ...

MATLAB保存当前视图的图像为PDF

Vertira的博客

02-17

2784

可先在MATLAB的fig文件中编辑、拖动图像，调整到满意的视图，使用如下代码输出成pdf文件： set(gcf,'Units','Inches'); pos = get(gcf,'Position'); set(gcf,'PaperPositionMode','Auto','PaperUnits','Inches','PaperSize',[pos(3), pos(4)]) print(gcf,'filename','-dpdf','-r0') ...

MATLAB 转PDF图片过大导致两边缺失

diantongqingjie的博客

03-09

1716

figure-文件-导出设置 1.大小-放大坐标至充满图窗 2渲染-自定义渲染器应用于图窗，导出PDF 这样图片就会完整显示在PDF上。 MATLAB 版本2019a

将 MatLAB 图形裁剪并保存为 PDF (savePDF)：这个简单的功能可以很好地裁剪图形并将其保存为 PDF-matlab开发

05-29

savePDF 是一个简单的函数，可以很好地裁剪 MatLAB 图形并将其保存为 PDF 到指定目录。如果该目录不存在，则创建一个。 plot_name = 图形的名称（例如，'My_Figure'） plot_path = 要保存为 PDF 的文件夹（例如，'./My_Folder'）

matlab 图片保存pdf,matlab中的图片保存技巧.pdf

weixin_31742871的博客

03-18

1720

matlab中的图片保存技巧第二种方式是用copy 命令 copy 成 metafile 格式(通过copy option 项选定)到剪切板上，然后直接粘贴到word 文件中，双击图片，选择’填充‘项为无，即可对图片中的任意曲线编辑，也可以在VISIO 中编辑。matlab 下的xlabel 项，grid ，坐标...

MATLAB（1）

MM999666的博客

10-28

7626

MATLAB 第一章 MATALB基础技能第1节 MATLAB窗口 1、语言修改中文版：预设——MATLAB——常规英文版：Preferences——MATLAB——General 2、布局中文版：布局英文版：layout 3、帮助可以搜索一些指令第2节命令行 1、常用指令及格式（1）清除操作 clc 清理命令行显示 clear 清理变量 close all 关闭所有绘图窗口 clf 清除当前图像窗口（2）快捷键上下键：调用之前输入过的一些命令 esc：删除刚输入的一段（3）换行

MATLAB折线图绘制中的常见陷阱：避免这些错误，绘制出色的图表

[MATLAB折线图绘制中的常见陷阱：避免这些错误，绘制出色的图表](https://img-blog.csdnimg.cn/img_convert/e32fef8b82bc02c1293c0f5385704502.png) # 1. MATLAB折线图绘制概述 MATLAB中折线图是一种强大的数据可视...

MATLAB算法实战应用案例精讲-【人工智能】语义分割（最终篇）(附实战应用案例及代码实现)

qq_36130719的博客

01-02

1894

SETR 是首个在分割任务上超越 CNN 的 Transformer 网络结构，该论文作者认为，虽然 FCN 及其衍生网络都取得了较好的成绩，但本质上都是 encoder-decoder 的结构，所以，该论文作者想要将分割任务构建成一个 sequence-to-sequence 的结构，所以就提出了一个纯 Transformer 的结构（无 CNN 和分辨率降低）。HRNet 通过将由高到低的分辨率特征结合起来的方式，实现对高分辨率特征的保留，并且不同分辨率的特征也进行了信息交换。

大规模数据处理策略：MATLAB统计工具箱高效解决方案

![大规模数据处理策略：MATLAB统计工具箱高效解决方案]...# 1. 大数据时代的挑战与机遇随着信息技术的飞速发展，我们已经进入了大数据时代。企业和研究机构面临着前所未有的数据洪流，这些数据如果得到正确的处理和...

matlab保存pdf图片太大,matlab中的图片保存方法精选.pdf

weixin_30745053的博客

03-17

871

matlab中的图片保存方法精选第二种方式是用copy 命令 copy 成 metafile 格式(通过copy option 项选定)到剪切板上，然后直接粘贴到word 文件中，双击图片，选择’填充‘项为无，即可对图片中的任意曲线编辑，也可以在VISIO 中编辑。matlab 下的xlabel 项，grid ，...

matlab导出图片为pdf时警告图窗太大解决方法

yangshun_cug

03-15

4762

【代码】matlab导出图片为pdf时警告图窗太大解决方法。

Matlab矢量图导出PDF格式方式及LaTex图片排版技巧

weixin_44770969的博客

01-01

7383

本文主要是讲述一种在能保持矢量图的性质的前提下，得到没有白边的完整图片，得到完整的矢量图放在论文中。详细介绍LATEX图片排版技巧。

matlab的fig图形输出为合适图片大小的pdf页面

baidu_33488603的博客

05-16

1万+

很多使用latex的同学知道，latex进行图片管理的时候，图片格式一般为eps或者pdf.matlab绘制的fig图像保存为eps格式的时候，输出的图片大小正好与图的宽度高度一致，没有m9ingxiande白边；但是输出为pdf就不一样了，默认输出的是一页PDF，这样无论是pdf的上下左右都有大幅度的留白，很是烦人哦！所以我们可以直接使用matlab命令save为合适大小的pdf，如下所示：&g...

如何解决matlab保存图片为pdf时不完整问题【每天一个小技巧】

腿足机器人领域

08-06

1万+

本文结构0. 引言1. 问题描述2. 解决方法3. 总结 0. 引言习惯使用matlab出图的人都会发现，当我们的图中有大量信息的时候，保存成的pdf是不完整的，总是缺一部分，是怎么回事呢？那么接下来就教你一招。 1. 问题描述比如说有一个图：按照正常的流程保存成pdf，打开会是这样子：虽然这是矢量图，但是是不全的。我们需要设置一下matlab的输出设置。 2. 解决方法点击图片左上角中的文件，然后点击打印预览：在跳出的页面中，先点击手动确定大小及位置，然后点击最优，最后点击刷新。注意这里

MATLAB:将figure图打印成pdf格式

qingfengxd1的博客

07-19

6165

代码前两行测量图片大小(以英寸为单位)，下一行配置打印纸张大小以适应图形大小。最后一行使用print命令并导出矢量pdf文档作为输出。一个小小的需求，一个同学咨询如何把figure图打印成pdf格式，故分享一下这个方法，也可以配置对应的pdf的输出图大小，比如设置为A4纸大小。注这个print为pdf的方法可能在老的版本不适用，需要注意。figure>文件>另存为pdf。代码实现。...

matlab画图导出pdf超出页面范围

落日之城

10-22

2942

因为默认的导出pdf是A4大小, 所以在导出长图的时候有时候会不完整, 超出了页面宽度. 这时候有两个处理办法: 把A4默认的竖向调整为横向页面修改导出的pdf大小, 比如A3. 这里以第一个方法为例: fg=figure; fg.PaperOrientation='landscape'; 只需要把fiure的paper属性修改一下即可. ...

matlab保存高清图片png、svg、pdf等

热门推荐

gsgbgxp的博客

05-14

3万+

matlab保存png、emf、svg、pdf高清图片

实验目的：掌握泊松过程的产生方法实验内容产生一个参数λ等于2的泊松过程存储事件发生的时间统计单位时间内事件发生的次数判断其与泊松分布是否吻合。请使用matlab完成此实验

03-26

<think>嗯，用户让我用MATLAB完成一个关于泊松过程的实验，包括生成、存储时间、统计次数以及验证是否符合泊松分布。首先，我需要回忆泊松过程的定义和生成方法。泊松过程的事件发生是独立且速率λ恒定的，所以事件间隔时间应该服从指数分布，参数是λ的倒数。对吗？对，生成泊松过程通常是通过生成独立同分布的指数随机变量作为间隔时间，然后累加得到事件发生时间。那第一步，用户需要生成λ=2的泊松过程。MATLAB中可以用exprnd函数生成指数分布的间隔时间。例如，exprnd(1/λ)生成每个间隔时间。但需要生成足够多的事件，使得总时间覆盖一定时长，比如T=1000单位时间，这样统计次数时数据量足够大。或者，用户可能需要生成在固定时间段内的事件，比如模拟到时间T为止的事件。这里可能需要先确定模拟的时间长度，或者生成足够多的事件直到覆盖某个时间段。不过用户可能更关心单位时间内的事件次数，所以可能需要在多个单位时间段内统计事件数，比如分成多个1小时的区间，统计每个区间的发生次数，然后比较是否与泊松分布吻合。接下来，存储事件发生的时间。生成间隔时间后，使用cumsum函数累加得到事件发生的时间点。例如，首先生成多个间隔时间，直到总时间超过模拟的总时长，然后截断。比如，设置总时间T，生成间隔直到总和超过T，然后去掉最后一个间隔，这样事件时间点就存储在数组里了。统计单位时间内事件发生的次数，这需要将时间轴划分为单位时间的区间，比如[0,1), [1,2), ..., [k, k+1)，然后统计每个区间内的事件数量。这可以通过histcounts函数实现，设置边长为1:max_time的整数，或者根据事件时间进行分箱。得到每个区间的计数后，统计各次数出现的频率，与泊松分布的理论概率进行比较。验证是否吻合，可以用卡方检验或者直观的比较直方图与理论概率。对于卡方检验，需要计算每个区间的实际频数和理论频数，然后计算统计量。但可能用户只需要图形化的比较，比如画出直方图和理论泊松分布的PMF，观察是否接近。或者使用K-S检验，不过泊松是离散分布，卡方可能更合适。需要注意的几点：生成的事件时间要足够多，以确保统计的有效性。比如模拟足够长的时间，比如总时间T=1000单位时间，这样每个单位时间的事件数大约有2000个样本？或者每个单位时间的事件数平均是λ=2，所以总共有约2000个样本？或者可能用户希望每个时间单位作为一个样本点，比如总时间T=1000的话，有1000个样本点，每个样本点的计数服从Poisson(2)。但泊松过程是连续时间的，所以需要正确分箱。可能的MATLAB步骤： 1. 生成间隔时间：intervals = exprnd(1/2, 1, N)，但N需要足够大，可能需要动态生成直到总时间达到某个值，比如T=1000。例如： times = []; t = 0; while t < T interval = exprnd(1/2); t = t + interval; times = [times, t]; end 但这样最后一个时间可能超过T，所以需要去掉超过的部分。或者用循环生成直到t >= T，然后截断之前的times数组。比如： times = cumsum(intervals); times = times(times <= T); 不过这样需要预先生成足够多的intervals，可能效率不高。或者使用动态生成： times = []; current_time = 0; while true interval = exprnd(1/λ); current_time = current_time + interval; if current_time > T break; end times = [times, current_time]; end 这样更有效，避免生成过多数据。然后，存储这些times数组。接下来，统计单位时间内的次数。假设总时间T是整数，比如T=1000，这样就可以分成1000个单位时间区间。使用histcounts： edges = 0:1:T; counts = histcounts(times, edges); 这样counts将是一个长度为T的数组，每个元素是相应单位时间内的事件数。例如，counts(1)是[0,1)时间内的事件数，以此类推。然后，统计每个k的出现次数，比如k=0,1,2,...，计算频率。然后与泊松分布的理论概率比较，λ=2。理论概率可以用poisspdf(k, λ)，计算每个k的概率，然后乘以总单位时间数（比如T=1000）得到理论频数。最后，画图比较实际频数和理论频数，或者进行卡方检验。可能的代码结构： lambda = 2; T = 1000; % 总时间 % 生成事件时间 event_times = []; current_time = 0; while current_time < T interval = exprnd(1/lambda); current_time = current_time + interval; if current_time < T event_times(end+1) = current_time; end end % 统计每个单位时间的事件数 edges = 0:1:T; counts = histcounts(event_times, edges); % 统计各次数出现的频数 max_count = max(counts); observed = histcounts(counts, 0:max_count+1); % 或者用 histcounts的bin设为整数0到max_count observed_counts = 0:max_count; observed_freq = histcounts(counts, [observed_counts, max_count+1]); % 或者更简单的方式，使用tabulate函数： count_table = tabulate(counts); observed_freq = count_table(:,2); % 但tabulate可能返回从最小到最大的数值，需要处理可能的缺失值。 % 计算理论频数 k_values = 0:max_count; theory_prob = poisspdf(k_values, lambda); theory_freq = theory_prob * sum(observed_freq); % 总共有sum(observed_freq)个样本点，即T单位时间 % 画图 figure; hold on; histogram(counts, 'Normalization', 'pdf'); plot(k_values, theory_prob, 'ro-'); xlabel('事件次数'); ylabel('概率密度'); legend('实际统计', '理论泊松分布'); title('单位时间内事件次数分布验证'); % 卡方检验 expected = theory_prob * length(counts); % 每个k的理论期望次数 observed_adj = observed_freq(1:length(expected)); % 调整长度 % 需要确保所有expected >=5，否则合并区间 % 这里可能需要处理尾部，比如将大于某个k的合并 chi2stat = sum((observed_adj - expected).^2 ./ expected); dof = length(expected) -1 -1; % 参数估计用了lambda吗？这里lambda是已知的，所以自由度是n-1 p_value = 1 - chi2cdf(chi2stat, dof); 需要注意的潜在问题： 1. 生成的事件时间是否正确：确保每个间隔时间独立且参数正确。 2. 分箱是否正确：特别是当T很大时，histcounts的分箱是否准确。 3. 理论频数和实际频数的计算是否对齐。 4. 卡方检验的应用条件，比如期望频数不能太低，可能需要合并高次数的区间。 5. 绘图时是否归一化，比如使用'pdf'选项让直方图显示概率密度，与理论概率比较。另外，用户可能需要存储事件发生的时间，即保存event_times变量。这部分可以通过MATLAB的save函数或者直接输出到文件，但用户可能只需要在代码中保留该变量。可能的改进点： - 可以调整模拟的总时间T，如更大的T会更准确。 - 在卡方检验中处理期望频数过低的情况。 - 检查生成的event_times是否符合指数间隔。现在，把这些步骤整理成结构化的回答，确保用户能逐步理解和实现实验。</think>以下是使用MATLAB完成泊松过程实验的详细步骤： --- ### **实验步骤解析** #### **一、泊松过程生成原理** 泊松过程满足以下性质： 1. 事件发生间隔时间服从指数分布，参数为$\lambda$ 2. 单位时间内事件次数服从泊松分布$P(k) = \frac{\lambda^k e^{-\lambda}}{k!}$ #### **二、MATLAB代码实现** ```matlab %% 实验参数设置 lambda = 2; % 泊松过程参数 T = 1000; % 总模拟时长（单位时间） rng(0); % 固定随机种子，确保结果可复现 %% 步骤1：生成泊松过程事件时间 event_times = []; % 存储事件发生时间 current_time = 0; % 当前时间初始化 while current_time < T interval = exprnd(1/lambda); % 生成指数分布间隔时间 current_time = current_time + interval; if current_time < T event_times = [event_times, current_time]; % 存储有效事件时间 end end %% 步骤2：统计单位时间内事件次数 % 划分单位时间区间 edges = 0:1:T; counts = histcounts(event_times, edges); % 统计每个单位时间的事件数 %% 步骤3：绘制实际分布与理论泊松分布对比 max_k = max(counts); k_values = 0:max_k; % 计算实际频率 observed_freq = histcounts(counts, [k_values, max_k+1]); observed_prob = observed_freq / sum(observed_freq); % 计算理论概率 theory_prob = poisspdf(k_values, lambda); % 绘制对比图 figure; hold on; bar(k_values, observed_prob, 'FaceAlpha', 0.5); plot(k_values, theory_prob, 'ro-', 'LineWidth', 2, 'MarkerSize', 8); xlabel('单位时间内事件发生次数 k'); ylabel('概率'); legend('实际统计', '理论泊松分布'); title('泊松过程分布验证 (λ=2)'); grid on; %% 步骤4：卡方拟合优度检验 alpha = 0.05; % 显著性水平 expected = theory_prob * sum(observed_freq); % 理论频数 % 合并尾部确保期望频数≥5 valid_bins = expected >= 5; chi2stat = sum((observed_freq(valid_bins) - expected(valid_bins)).^2 ./ expected(valid_bins)); dof = sum(valid_bins) - 1 - 1; % 自由度 = 有效区间数 - 估计参数数量 (此处λ已知，不占用自由度) p_value = 1 - chi2cdf(chi2stat, dof); % 输出检验结果 fprintf('卡方统计量: %.4f\n', chi2stat); fprintf('P值: %.4f\n', p_value); if p_value > alpha fprintf('无法拒绝原假设，分布与泊松分布吻合\n'); else fprintf('拒绝原假设，分布与泊松分布不吻合\n'); end ``` --- ### **关键步骤说明** 1. **事件时间生成** - 利用`exprnd(1/lambda)`生成指数分布的间隔时间，累加得到事件发生时间序列。 - 循环终止条件`current_time < T`确保总时长不超过设定值。 2. **次数统计** - 通过`histcounts`将事件时间划分到单位时间区间，统计每个区间的计数。 3. **分布验证** - **图形对比**：直方图显示实际频率，红色曲线为理论泊松分布。 - **卡方检验**：定量验证分布吻合度，合并低频区间确保检验有效性。 --- ### **预期结果示例** - 图形中实际频率（蓝色柱状图）与理论概率（红色曲线）应高度重叠。 - 卡方检验输出`P值 > 0.05`时，说明统计结果与泊松分布无显著差异。 --- ### **常见问题处理** 1. **结果波动较大** - 增加总时长`T`（例如设置为10,000）以提高统计稳定性。 2. **卡方检验失败** - 检查是否因随机种子导致异常样本，尝试更换`rng(seed)`重新实验。 3. **事件时间存储优化** - 预分配数组提升效率： ```matlab event_times = zeros(1, round(2*T*lambda)); % 预分配空间 pointer = 1; while current_time < T interval = exprnd(1/lambda); current_time = current_time + interval; if current_time < T event_times(pointer) = current_time; pointer = pointer + 1; end end event_times = event_times(1:pointer-1); % 截断多余空间 ``` --- 通过以上步骤，可完整实现泊松过程的生成、存储与分布验证。