有没有一种使用Python生成渐变位图的简单方法？

我正在生成一个简单的、基于Python的程序，该程序生成graphviz图形作为输出。我想使用自定义节点来描述程序中的数据。一旦有了图像，使用自定义节点就足够简单了，但是我很难找到一种方便的方法来生成我想要的图像

具体来说，我希望节点是圆，其面积表示测量值，但梯度表示该值的不确定性。使用一些数学程序（例如）生成的等高线图似乎是合理的，但这些程序往往会生成未缩放的方形图像。或者，图像处理程序上的梯度函数似乎很难与严格的高斯函数相关联

理想情况下，我想按照伪代码的思路编写一个函数

def make_node_image(measured_value, std_dev):

    mean_circle_radius = sqrt(measured_value/pi)
    image_circle_radius = sqrt((measured_value + 2*std_dev)/pi)

    gradient_amplitude = 1/(std_dev*sqrt(2*pi))
    gradient_fade = e^(-(r-mean_circle_radius)^2/(2*std_dev^2))

    image_gradient = gradient_amplitude*gradient_fade

    ***generate_image_from_gradient***

    ***scale_and_clip_image_to_image_circle_radius***

    return image

---

这两个星号是我需要帮助的地方；如果有任何建议，我将不胜感激，谢谢

实现这一点的一种方法是使用

matplotlib

，正如您在标记中所建议的那样。要做到这一点，我会

使用numpy创建一个NxN数组来表示

图像\u梯度

创建一个正方形的

图形

，其大小以英寸为单位与圆的半径相关（

image\u circle\u radius

），您需要记住图形的每英寸点数（

fig.dpi

）

创建一个无边距、无边框和无记号的轴（

fig.add_轴（[0,0,1,1]，frameon=False，xticks=[]，yticks=[]）

使用

imshow

将阵列绘制为图像

创建一个圆，圆心和半径以DPI为单位

使用

set\u clip\u path（）

方法剪裁由

imshow

调用创建的

AxesImage

这种方法的灵感来自于一种新的方法

下面是一个尝试，尝试执行以下操作：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.path as path
import matplotlib.patches as patches

pi = np.pi
sqrt = np.sqrt
exp = np.exp

def make_node_image(measured_value, std_dev, coverage="0.96",imageID=1):

    DPI = 100
    TODPI=1
    MINSIZE = 50 # in DPI
    MAXSIZE = 400 # in DPI
    MAXAMPLITUDE = .005

    # make radius,std_dev  values in grid units
    mean_circle_radius = int(sqrt(measured_value/pi)/TODPI)
    image_circle_radius = int(sqrt((measured_value + 2*std_dev)/pi)/TODPI)
    if image_circle_radius < MINSIZE:
        raise Exception("image_circle_radius too small!")
    if image_circle_radius > MAXSIZE:
        raise Exception("image_circle_radius too large!")

    grid_std_dev = std_dev/TODPI

    gradient_amplitude = 1/(std_dev*sqrt(2*pi))/MAXAMPLITUDE
    gradient_fade = np.zeros([2*image_circle_radius,
                              2*image_circle_radius])
    for ix in range(2*image_circle_radius):
        for iy in range(2*image_circle_radius):
            r = sqrt((ix-image_circle_radius)**2
                     +(iy-image_circle_radius)**2)
            gradient_fade[ix,iy] = exp(
                -(r-mean_circle_radius)**2
                 /(2*grid_std_dev**2))

    image_gradient = gradient_amplitude*gradient_fade

    fig = plt.figure(figsize=(2*image_circle_radius/DPI,
                              2*image_circle_radius/DPI),dpi=DPI)


    ax = fig.add_axes([0,0,1,1],frameon=True, xticks=[], yticks=[])

    #***generate_image_from_gradient***
    im = ax.imshow(image_gradient,vmin=0,vmax=1)

    patch = patches.Circle((image_circle_radius,image_circle_radius), 
                           radius=image_circle_radius,fc='white')

    #***scale_and_clip_image_to_image_circle_radius***
    im.set_clip_path(patch)

    name = 'circImage%d.png'%imageID
    fig.savefig(name)

    return name

make_node_image(90000*pi,100)

将numpy导入为np
将matplotlib.pyplot作为plt导入
将matplotlib.path导入为路径
将matplotlib.patches导入为修补程序
pi=np.pi
sqrt=np.sqrt
exp=np.exp
def生成节点图像（测量值，标准偏差，覆盖率=“0.96”，图像ID=1）：
DPI=100
TODPI=1
MINSIZE=50（以DPI为单位）
最大尺寸=400英寸DPI
最大振幅=.005
#以网格单位生成半径、标准偏差值
平均圆半径=int（sqrt（测量值/pi）/TODPI）
图像圆半径=整数（sqrt（（测量值+2*std\U dev）/pi）/TODPI）
如果图像\圆\半径<最小尺寸：
引发异常（“图像\圆\半径太小！”）
如果图像\圆\半径>最大尺寸：
引发异常（“图像\圆\半径太大！”）
网格标准偏差=标准偏差/TODPI
梯度振幅=1/（标准偏差*sqrt（2*pi））/MaxAmpliance
渐变淡入=np.零（[2*图像\圆\半径，
2*图像（圆（半径）]）
对于范围内的ix（2*图像\圆\半径）：
对于范围内的iy（2*图像\圆\半径）：
r=sqrt（（ix-图像\圆\半径）**2
+（iy-image_圆_半径）**2）
梯度衰减[ix，iy]=exp(
-（r-平均圆半径）**2
/（2*电网标准开发**2）
图像梯度=梯度振幅*梯度衰减
图=plt.图（图尺寸=（2*图像、圆、半径/DPI），
2*图像\圆\半径/DPI），DPI=DPI）
ax=fig.add_轴（[0,0,1,1]，frameon=True，xticks=[]，yticks=[]））
#***从梯度生成图像***
im=ax.imshow（图像梯度，vmin=0，vmax=1）
面片=面片圆（（图像圆半径，图像圆半径），
半径=图像\圆\半径，fc='白色'）
#***缩放和剪裁图像到圆半径***
im.设置剪辑路径（补丁）
名称='circImage%d.png'%imageID
图savefig（名称）
返回名称
制作节点图像（90000*pi，100）

这导致：

圆圈的边缘似乎被剪掉了

几乎可以肯定，这是一种矢量化的方法来构建

渐变_fade

，尽管我不知道它是什么

这让人觉得很尴尬，我真的希望有人能提供一个更优雅的答案

显然，上面的代码只是一个起点，有人肯定可以改进它

---

我在下面提供了一个答案，但我没有得到参数

覆盖率
的要点，以及
r
小于
平均圆半径
的值会发生什么情况。如果我不了解这些要点，我可能错过了最终结果，但我想我得到了您希望的要点。您非常善于观察t、 覆盖率参数最初旨在限制图像半径，但更容易仅在两个标准偏差处切断边界。测量值是物体的质量，因此不能为负。质量测量的概率分布函数不是严格的高斯分布，但不足以确定在这个程序中需要寻址。密度函数在零以下的“尾部”可以用几种方式寻址，但这对我的问题并不重要。这是一个很好的开始，谢谢！我使用了matploblib，但主要是作为python（x，y）的后端，我不太擅长直接使用它。