异常检测中的误差热力图画法

在视频异常检测中，对于实验结果的描述通常是有ROC曲线、PSNR曲线、真实视频帧与预测异常帧之间的误差热力图。之前的文章讲了自己制作ROC曲线，可以看这里把多个ROC曲线画在一张图上_weixin_44323744的博客-CSDN博客_多条roc曲线绘制在一张图https://blog.csdn.net/weixin_44323744/article/details/125488109?spm=1001.2014.3001.5502

这篇文章讲讲怎么画误差热力图，在文献中看到的都是这样子的效果：

真实视频帧                                   误差热力图

真实视频帧                                   误差热力图

所以，我们怎么制作呢？

1. 数据准备

首先需要有真实视频帧，模型生成的视频帧 。这两个数据是必须要有的。模型生成的视频帧可以保存为npy文件格式，自行转为numpy.array格式。

2. 代码

注意：在制作热力图是，必须把图像转为灰度，否则达不到背景蓝色，异常位置为突出颜色的效果。（大坑无踩！！！）

from PIL import Image
import numpy as np
import cv2
import numpy as np
import matplotlib.pyplot as plt
import  matplotlib
from PIL import Image
from skimage import io, transform, color

# 1.读取gt图片，并转为灰度图像
rgbImg=cv2.imread('gt.png')
img_gt=cv2.cvtColor(rgbImg, cv2.COLOR_BGR2GRAY)

# 2.读取生成的图片，并转为灰度图像
rgb = io.imread('pred.png')  # 读取图片
img_pred = color.rgb2gray(rgb)


# 3.开始进行制作误差热力图
A_img = img_gt
B_img = img_pred

#选取需要计算差值的两幅图片
dimg1 = A_img[:, :]
#归一化
dimg1_2 = np.zeros(dimg1.shape, dtype=np.float32)
cv2.normalize(dimg1, dimg1_2, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)
# 显示选取的图像
plt.figure()
plt.imshow(dimg1_2, cmap='gray')
plt.show()

dimg2 = B_img[:, :]
dimg2_2 = np.zeros(dimg2.shape, dtype=np.float32)
cv2.normalize(dimg2, dimg2_2, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)
plt.figure()
plt.imshow(dimg2_2,cmap='gray')
plt.show()

d = abs(dimg1_2-dimg2_2)*1

fig = plt.figure(dpi=200)
plt.figure(num=1)
cnorm = matplotlib.colors.Normalize(vmin=0, vmax=1)
m = matplotlib.cm.ScalarMappable(norm=cnorm, cmap=matplotlib.cm.jet)
m.set_array(d)
plt.imshow(d, norm=cnorm, cmap="jet")
plt.axis("off")
plt.colorbar(m)
plt.gca().xaxis.set_major_locator(plt.NullLocator())
plt.gca().yaxis.set_major_locator(plt.NullLocator())
plt.subplots_adjust(top=1, bottom=0, left=0, right=1, hspace=0, wspace=0)
plt.margins(0, 0)
plt.savefig('test.png' , bbox_inches='tight', dpi=400,pad_inches=0)

3. 模型生成的图像数据保存为npy格式

把模型生成的图像数据保存为npy格式的解决方法，后续更新。但是方法不变，把两个对比的图像数据转为numpy.array即可。

参考：(4条消息) （8）Python计算并显示差值图像_qq_42392677的博客-CSDN博客_python图像差值