图像中部分RGB矩阵可视化

这篇具有很好参考价值的文章主要介绍了图像中部分RGB矩阵可视化。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

图像中部分RGB可视化

今天室友有个需求就是模仿下面这张图画个示意图:

图像中部分RGB矩阵可视化,杂,数据可视化,图像处理

大致就是把图像中的一小部分区域的RGB值可视化了一下。他居然不知道该怎么画,我寻思这不直接秒了。

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt


class Plotter:
    def __init__(self, img):
        self.img = img
        self.range = None

        # 三个图的位置
        self.loc = [
            [0.01, 0.325, 0.35, 0.35],
            [0.375, 0.375, 0.25, 0.25],
            [0.71, 0.355, 0.29, 0.29],
        ]
        self.dloc = [0.02, 0.02]  # 表格间距
        self.facecolor = plt.get_cmap("Accent")(range(3))  # 表格颜色

    def plot_img(self, fig):
        img_range = self.range
        axes = fig.add_axes(self.loc[0])
        axes.imshow(self.img, aspect="auto")
        axes.add_patch(
            plt.Rectangle(
                (img_range[0], img_range[2]),
                img_range[1] - img_range[0],
                img_range[3] - img_range[2],
                fill=False,
                edgecolor="red",
                linewidth=2,
            )
        )
        axes.axis("off")

    def plot_table(self, fig, table):
        loc = self.loc[2]
        dloc = self.dloc
        facecolor = self.facecolor

        for i in range(table.shape[2]):
            axes = fig.add_axes(
                [loc[0] - dloc[0] * i, loc[1] - dloc[1] * i, loc[2], loc[3]],
            )
            axes.table(
                cellText=table[:, :, i],
                loc="center",
                cellColours=np.full(
                    (table.shape[0], table.shape[1], 4),
                    facecolor[i],
                    dtype=self.facecolor[0].dtype,
                ),
                bbox=[0, 0, 1, 1],
            )
            axes.axis("off")

    def plot_range_img(self, fig, range_img):
        axes = fig.add_axes(self.loc[1])
        axes.imshow(range_img, aspect="auto")

        axes.set_xticks([])
        axes.set_yticks([])
        spines = ["left", "right", "bottom", "top"]
        for spine in spines:
            axes.spines[spine].set_color("r")

    def plot_path(self, axes, x1, x2):
        x = np.linspace(x1[0], x2[0], 100)
        y = np.linspace(x1[1], x2[1], 100)
        axes.set_xlim(0, 1)
        axes.set_ylim(0, 1)
        axes.plot(x, y, "r--")

    def range_points_on_img(self):
        img_range = self.range
        loc = self.loc[0]
        luloc = loc[0] + img_range[0] / self.img.shape[0] * loc[2]
        # axes坐标系y轴方向相反
        ldloc = loc[1] + (self.img.shape[1] - img_range[2]) / self.img.shape[1] * loc[3]
        dx = (img_range[1] - img_range[0]) / self.img.shape[0] * loc[2]
        dy = (img_range[3] - img_range[2]) / self.img.shape[1] * loc[3]
        return [(luloc + dx, ldloc - dy), (luloc + dx, ldloc)]

    def plot_img2range(self, axes):
        img_points = self.range_points_on_img()
        range_points = [
            (self.loc[1][0], self.loc[1][1]),
            (self.loc[1][0], self.loc[1][1] + self.loc[1][3]),
        ]
        print(img_points)
        self.plot_path(axes, img_points[0], range_points[0])
        self.plot_path(axes, img_points[1], range_points[1])

    def plot_range2table(self, axes):
        range_points = [
            (self.loc[1][0] + self.loc[1][2], self.loc[1][1]),
            (self.loc[1][0] + self.loc[1][2], self.loc[1][1] + self.loc[1][3]),
        ]
        table_points = [
            (self.loc[2][0] - self.dloc[0] * 2, self.loc[2][1] - self.dloc[1] * 2),
            (
                self.loc[2][0] - self.dloc[0] * 2,
                self.loc[2][1] + self.loc[2][3] - self.dloc[1] * 2,
            ),
        ]
        self.plot_path(axes, range_points[0], table_points[0])
        self.plot_path(axes, range_points[1], table_points[1])

    def plot_line(self, fig):
        axes = fig.add_axes([0, 0, 1, 1])
        self.plot_img2range(axes)
        self.plot_range2table(axes)
        axes.axis("off")

    def plot(self, img_range):
        self.range = img_range
        range_img = self.img[
            img_range[0] : img_range[1], img_range[2] : img_range[3], :
        ]
        fig = plt.figure()
        self.plot_img(fig)
        self.plot_range_img(fig, range_img)
        self.plot_table(fig, range_img)
        self.plot_line(fig)
        plt.show()


if __name__ == "__main__":
    img_path = "lena_color_512.tif"
    img = cv.imread(img_path, cv.IMREAD_UNCHANGED)
    img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
    p = Plotter(img)
    p.plot([255, 265, 255, 265])

其实就是先画三个主图,一个全部的,一个小范围内的,一个RGB值的表,然后画四根线就完事了。效果如下:

图像中部分RGB矩阵可视化,杂,数据可视化,图像处理

唯一要注意的是 Axes 坐标系和图像的坐标系中Y轴是相反的,然后其他 axes.imshowaxes.table 都让它填满整个 Axes 就好了,要不然它给你自适应了,不好算几根连线的位置。

这里写的时候没想好,按 copilot 生成的 img_range 形式写下去了,目前是 [x起点,x终点,y起点,y终点] 的格式,换成 [x起点,y起点,x范围,y范围] 会更统一一点。但也懒得改了,一小时的工作时间白嫖室友一顿必胜客,很舒服。文章来源地址https://www.toymoban.com/news/detail-794221.html

到了这里,关于图像中部分RGB矩阵可视化的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • QChart:数据可视化(用图像形式显示数据内容)

    1、数据可视化的图形有:柱状/线状/条形/面积/饼/点图、仪表盘、走势图,弦图、金字塔、预测曲线图、关系图、数学公式图、行政地图、GIS地图等。 2、在QT Creator的主页面,点击 欢迎=》示例=》右侧输入框 输入Chart,即可查看到QChart相关官方示例; 3、QChart如何使用 3.1 QC

    2024年02月11日
    浏览(45)
  • Excel数据可视化—波士顿矩阵图【四象限图】

      Excel系列文章是本人亲身经历职场之后萌发的想法,为什么Excel覆盖如此之广,几乎每个公司、学校、家庭都在使用,但是它深藏的宝藏功能却很少被人使用,PQ、BI这些功能同样适用于数据分析;并且在一些需要简单及时的数据分析项目前,Excel是完胜python、R、SPSS这些科

    2024年02月04日
    浏览(44)
  • 【pytorch】Vision Transformer实现图像分类+可视化+训练数据保存

    Transformer的核心是 “自注意力” 机制。 论文地址:https://arxiv.org/pdf/2010.11929.pdf 自注意力(self-attention) 相比 卷积神经网络 和 循环神经网络 同时具有并行计算和最短的最大路径⻓度这两个优势。因此,使用自注意力来设计深度架构是很有吸引力的。对比之前仍然依赖循环神

    2023年04月08日
    浏览(41)
  • 混淆矩阵——矩阵可视化

    相关文章 混淆矩阵——评估指标计算 混淆矩阵——评估指标可视化 正例是指在分类问题中,被标记为目标类别的样本。在二分类问题中, 正例(Positive) 代表我们感兴趣的目标,而另一个类别定义为 反例(Negative) 举个栗子🌰,我们要区分苹果🍎和凤梨🍐。我们 想要

    2024年02月04日
    浏览(56)
  • 3D目标检测数据集 KITTI(标签格式解析、3D框可视化、点云转图像、BEV鸟瞰图)

    本文介绍在3D目标检测中,理解和使用KITTI 数据集,包括KITTI 的基本情况、下载数据集、标签格式解析、3D框可视化、点云转图像、画BEV鸟瞰图等,并配有实现代码。 目录  1、KITTI数据集3D框可视化 2、KITTI 3D数据集 3、下载数据集 4、标签格式 5、标定参数解析 6、点云数据--投

    2024年02月08日
    浏览(41)
  • MATLAB slice函数绘制三维n×m×k矩阵的立体图或剖面图 —可视化四维数据

    数据可能包含测量物理对象所得的值,如管道内的温度。在此情况下,物理维度可以表示为一个空间体,用颜色表示测量的幅值。使用 slice 函数显示在空间体横截面处所测得的变量的值。 参考 1、 https://www.researchgate.net/post/How-to-display-a-3-Dimensional-matrix-by-their-values-in-MatlabFor

    2024年02月11日
    浏览(33)
  • go语言恶意代码检测系统--对接前端可视化与算法检测部分

    恶意代码检测系统。 功能点 详细描述 注册账号 未注册用户注册成为产品用户,从而具备享有产品各项服务的资格 登录账号 用户登录产品,获得产品提供的各项服务 上传恶意样本 用户可以将上传自己的收集到的恶意样本及其样本属性,网站会对该恶意样本进行保存 获取恶

    2024年02月12日
    浏览(43)
  • 积跬步至千里 || 矩阵可视化

    矩阵可以很方面地展示事物两两之间的关系,这种关系可以通过矩阵可视化的方式进行简单监控。 定义一个通用类 调用类 结果展示 另一种方法

    2024年02月12日
    浏览(34)
  • 注意力权重矩阵可视化

    这个注意力权重矩阵应该没错吧,,,。

    2024年02月11日
    浏览(32)
  • 三维重建 阈值分割 3D可视化 医学图像分割 CT图像分割及重建系统 可视化编程技术及应用

    此系统实现了常见的VTK四视图,实现了很好的CT图像分割,可以用于骨骼,头部,肺部,脂肪等分割,,并且通过三维重建实现可视化。使用了第三方库 VTK,ITK 实现分割和生不重建。 窗口分为 (横断面)、冠状面、矢状面,和3D窗口;包含了体绘制和面绘制; 效果: CT分割

    2024年02月08日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包