【matplotlib】图片的各种渲染效果；matplotlib.cm_matplotlib2d点颜色渲染高度-CSDN博客

本文链接：https://blog.csdn.net/weixin_42468475/article/details/121889008

本文介绍了如何使用Matplotlib库中的cm.gist_earth()等函数，将灰度图像转换为彩色，以实现区域定位的计算机视觉任务。通过实例展示了从读取图片、调整大小、灰度转彩色到最终渲染的完整过程，并探讨了其他颜色渲染选项如cm.PuRd和cm.turbo的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文讲述使用进行多种渲染的方式。

在计算机视觉中，我们有时候会需要用一个图片A去渲染另一个图片B，实现例如区域定位的功能，流程如下：

图A
请添加图片描述

在这里插入图片描述
图B
请添加图片描述

在这里插入图片描述
渲染后的图C
请添加图片描述

cm.gist_earth() 渲染效果

本文介绍的彩色渲染效果是把单通道的灰度图（shape： $(h高\times w宽)$ 转换成 $3通道数 \times h高\times w宽)$ ），需要用到的渲染效果的函数有 cm.gist_earth()，完整的使用方法如下：

先读取图片，看看大概样子：

import matplotlib
from PIL import Image
from matplotlib import cm
image = Image.open("./gray.jpg").convert("L")
image

在这里插入图片描述

顺便学习一下 convert() 函数的几个参数：
convert()是图像实例对象的一个方法，接受一个 mode 参数，用以指定一种色彩模式
1 ------------------（1位像素，黑白，每字节一个像素存储）
L ------------------（8位像素，黑白）
P ------------------（8位像素，使用调色板映射到任何其他模式）
RGB------------------（3x8位像素，真彩色）
RGBA------------------（4x8位像素，带透明度掩模的真彩色）
CMYK--------------------（4x8位像素，分色）
YCbCr--------------------（3x8位像素，彩色视频格式）
I-----------------------（32位有符号整数像素）
F------------------------（32位浮点像素）

这里是灰度图，所以我选择了P

额，好像图片太大了，我们把它缩小一点看看：

imgae = image.resize([300,300])
# 转换成数值可读
data = np.array(imgae)

在这里插入图片描述
看一下 data 的shape：

在这里插入图片描述

确定是只有一个通道，没有问题~

然后进行山体渲染，将灰度图片进行转换，np.uint8的功能是把数值裁剪到区间 [0,255] 并把小数四舍五入取整。

data2 = np.uint8(cm.gist_earth(data)*255)
image2 = Image.fromarray(data2).convert("RGB")

打印渲染后的图像：
在这里插入图片描述

完整代码如下：

import matplotlib
from PIL import Image
from matplotlib import cm


image = Image.open("./gray.jpg").convert("L")
image = image.resize([300,300])
data = np.array(imgae)

# .convert("RGB") 这一步有没有都可以
data2 = np.uint8(cm.gist_earth(data)*255)
image2 = Image.fromarray(data2).convert("RGB")

# 也可以用plt打印出来
plt.imshow(image)

其他形式的渲染效果

除了前文提到的 cm.gist_earth，还有其他形式的渲染，首先为了查看有哪些形式的渲染，我们输入：

cm.get_cmap(1)

然后程序会报错，但是可以看到有哪些可输入选项了：
在这里插入图片描述
方便粘贴：'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap', 'CMRmap_r', 'Dark2', 'Dark2_r', 'GnBu', 'GnBu_r', 'Greens', 'Greens_r', 'Greys', 'Greys_r', 'OrRd', 'OrRd_r', 'Oranges', 'Oranges_r', 'PRGn', 'PRGn_r', 'Paired', 'Paired_r', 'Pastel1', 'Pastel1_r', 'Pastel2', 'Pastel2_r', 'PiYG', 'PiYG_r', 'PuBu', 'PuBuGn', 'PuBuGn_r', 'PuBu_r', 'PuOr', 'PuOr_r', 'PuRd', 'PuRd_r', 'Purples', 'Purples_r', 'RdBu', 'RdBu_r', 'RdGy', 'RdGy_r', 'RdPu', 'RdPu_r', 'RdYlBu', 'RdYlBu_r', 'RdYlGn', 'RdYlGn_r', 'Reds', 'Reds_r', 'Set1', 'Set1_r', 'Set2', 'Set2_r', 'Set3', 'Set3_r', 'Spectral', 'Spectral_r', 'Wistia', 'Wistia_r', 'YlGn', 'YlGnBu', 'YlGnBu_r', 'YlGn_r', 'YlOrBr', 'YlOrBr_r', 'YlOrRd', 'YlOrRd_r', 'afmhot', 'afmhot_r', 'autumn', 'autumn_r', 'binary', 'binary_r', 'bone', 'bone_r', 'brg', 'brg_r', 'bwr', 'bwr_r', 'cividis', 'cividis_r', 'cool', 'cool_r', 'coolwarm', 'coolwarm_r', 'copper', 'copper_r', 'cubehelix', 'cubehelix_r', 'flag', 'flag_r', 'gist_earth', 'gist_earth_r', 'gist_gray', 'gist_gray_r', 'gist_heat', 'gist_heat_r', 'gist_ncar', 'gist_ncar_r', 'gist_rainbow', 'gist_rainbow_r', 'gist_stern', 'gist_stern_r', 'gist_yarg', 'gist_yarg_r', 'gnuplot', 'gnuplot2', 'gnuplot2_r', 'gnuplot_r', 'gray', 'gray_r', 'hot', 'hot_r', 'hsv', 'hsv_r', 'inferno', 'inferno_r', 'jet', 'jet_r', 'magma', 'magma_r', 'nipy_spectral', 'nipy_spectral_r', 'ocean', 'ocean_r', 'pink', 'pink_r', 'plasma', 'plasma_r', 'prism', 'prism_r', 'rainbow', 'rainbow_r', 'seismic', 'seismic_r', 'spring', 'spring_r', 'summer', 'summer_r', 'tab10', 'tab10_r', 'tab20', 'tab20_r', 'tab20b', 'tab20b_r', 'tab20c', 'tab20c_r', 'terrain', 'terrain_r', 'turbo', 'turbo_r', 'twilight', 'twilight_r', 'twilight_shifted', 'twilight_shifted_r', 'viridis', 'viridis_r', 'winter', 'winter_r'

在这里面随便选择一个看看渲染效果：

from PIL import Image

img1 = Image.open( "pic1.png ")
img1 = img1.convert('RGB')

img2  = cam_pil = Image.fromarray(np.uint8(cm.PuRd(arr)*255)).convert("RGB") # 采用 cm.PuRd

img = Image.blend(img1, img2, 0.5)
img.show()