Python 在matplotlib中使用多个面片打印多个图像的有效方法？

我正在编写代码来显示图像之间的功能匹配。代码目前运行得相当慢。我对如何加快它有一些想法，但我对matplotlib还不是100%满意，或者它在幕后是如何工作的

代码的基本结构是：（为了使其更具可读性，我省略了一些内容）

• 添加图像列表。每个图像都有自己的轴：ax，并记住ax.transData

  gs = gridspec.GridSpec( nr, nc )
  for i in range(num_images):
       dm.ax_list[i] = plt.subplot(gs[i])
       dm.ax_list[i].imshow( img_list[i])
       transData_list[i] = dm.ax_list[i].transData
  

• 将特征表示可视化为椭圆

  for i in range(num_chips):
       axi =  chips[i].axi 
       ax  =  dm.ax_list[axi]
       transData = dm.transData_list[axi]
       chip_feats = chips[i].features
       for feat in chip_feats:
           (x,y,a,c,d) = feat
           A = numpy.array( [ ( a, 0, 0 ) ,
                                    ( c, d, 0 ) ,
                                    ( 0, 0, 1 ) ] , dtype=np.float64)
           EllShape = Affine2D( numpy.array(sqrtm( inv(A) ), dtype=np.float64) )
           transEll  = EllShape.translate(x,y)
           unitCirc = Circle((0,0),1,transform=transEll+transData)
           ax.add_patch(unitCirc)
  

我已经使用RunSnakeRun来分析代码，我真正从中得到的是，绘制所有内容需要很长时间。当我在matplotlib中学习转换时，我的基本想法是以自己的坐标绘制每个图像，然后维护几个转换，以便我以后可以使用它们做一些很酷的事情，但我怀疑它不会很好地缩放

绘图的实际输出如下所示：

当我调整它的大小时，这个图需要大约4秒的时间来重新绘制，我想平移/缩放它

我为每个特征添加了两个补丁，大约（每个图像300个特征），这样我可以看到轮廓和一些透明度。所以，这显然是有开销的。但即使没有任何椭圆，其速度也相对较慢

我还需要编写一些代码来在匹配的特性之间添加行，但是现在我不确定使用多个轴是不是一个好主意，尤其是当这是一个相对较小的数据集时

因此，对于更具体的问题：

• 绘制椭圆和变换圆会更有效吗？使用matplotlib转换的开销是多少
• 有没有一种方法可以将一组面片组合在一起，从而使它们能够一起变换或更有效地变换
• 将所有东西都打包到一个轴上会更有效吗？如果我这样做，转换的范例还能被使用吗？还是转型是罪魁祸首
• 有没有一种快速的方法可以在矩阵a的列表上执行sqrtm（inv（a））呢？还是我把它们放在一个for循环中就好了
• 我应该切换到类似pyqtgraph的东西吗？我不打算让它们成为任何超越平移和缩放的动画。（也许将来我会想把它们嵌入到一个交互式图形中）

---

编辑：

---

我已经能够通过手工计算平方根倒置矩阵的形式来提高绘图效率。这也是一个相当大的提速

在上述代码中：

 A = numpy.array( [ ( a, 0, 0 ) ,
                          ( c, d, 0 ) ,
                          ( 0, 0, 1 ) ] , dtype=np.float64)
 EllShape = Affine2D( numpy.array(sqrtm( inv(A) ), dtype=np.float64) )

 A = numpy.array( [ ( a, 0, 0 ) ,
                          ( c, d, 0 ) ,
                          ( 0, 0, 1 ) ] , dtype=np.float64)
 EllShape = Affine2D( numpy.array(sqrtm( inv(A) ), dtype=np.float64) )

被替换为

 EllShape = Affine2D([\
 ( 1/sqrt(a),         0, 0),\
 ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0),\
 (         0,         0, 1)])

 EllShape = Affine2D([\
 ( 1/sqrt(a),         0, 0),\
 ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0),\
 (         0,         0, 1)])

我还发现了一些有趣的计时结果：

  num_to_run = 100000
  all_setup  = ''' import numpy as np ; from scipy.linalg import sqrtm ; from numpy.linalg import inv ; from numpy import sqrt
  a=.1 ; c=43.2 ; d=32.343'''

  timeit( \
  'sqrtm(inv(np.array([ ( a, 0, 0 ) , ( c, d, 0 ) , ( 0, 0, 1 ) ])))',\
  setup=all_setup, number=num_to_run)
   >> 22.2588094075 #(Matlab reports 8 seconds for this run) 

  timeit(\
  '[ (1/sqrt(a), 0, 0), ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0), (0, 0, 1) ]',\
  setup=all_setup,  number=num_to_run)
  >> 1.10265190941 #(Matlab reports .1 seconds for this run) 

  num_to_run = 100000
  all_setup  = ''' import numpy as np ; from scipy.linalg import sqrtm ; from numpy.linalg import inv ; from numpy import sqrt
  a=.1 ; c=43.2 ; d=32.343'''

  timeit( \
  'sqrtm(inv(np.array([ ( a, 0, 0 ) , ( c, d, 0 ) , ( 0, 0, 1 ) ])))',\
  setup=all_setup, number=num_to_run)
   >> 22.2588094075 #(Matlab reports 8 seconds for this run) 

  timeit(\
  '[ (1/sqrt(a), 0, 0), ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0), (0, 0, 1) ]',\
  setup=all_setup,  number=num_to_run)
  >> 1.10265190941 #(Matlab reports .1 seconds for this run) 

---

编辑2

我用一个补丁集合和一些手工计算，快速地计算和绘制了椭圆（大约在一秒钟内，我没有对它进行分析）。 唯一的缺点是我似乎无法将椭圆的填充设置为false

 from matplotlib.collections import PatchCollection
 ell_list = []
 for i in range(num_chips):
     axi =  chips[i].axi 
     ax  =  dm.ax_list[axi]
     transData = dm.transData_list[axi]
     chip_feats = chips[i].features
     for feat in chip_feats:
         (x,y,a,c,d) = feat
         EllShape = Affine2D([\
            ( 1/sqrt(a),         0, x),\
            ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), y),\
            (         0,         0, 1)])
         unitCirc = Circle((0,0),1,transform=EllShape)
         ell_list = [unitCirc] + ell_list
    ellipses = PatchCollection(ell_list)
    ellipses.set_color([1,1,1])
    ellipses.face_color('none') #'none' gives no fill, while None will default to [0,0,1]
    ellipses.set_alpha(.05)
    ellipses.set_transformation(transData)
    ax.add_collection(ellipses)

 from matplotlib.collections import PatchCollection
 ell_list = []
 for i in range(num_chips):
     axi =  chips[i].axi 
     ax  =  dm.ax_list[axi]
     transData = dm.transData_list[axi]
     chip_feats = chips[i].features
     for feat in chip_feats:
         (x,y,a,c,d) = feat
         EllShape = Affine2D([\
            ( 1/sqrt(a),         0, x),\
            ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), y),\
            (         0,         0, 1)])
         unitCirc = Circle((0,0),1,transform=EllShape)
         ell_list = [unitCirc] + ell_list
    ellipses = PatchCollection(ell_list)
    ellipses.set_color([1,1,1])
    ellipses.face_color('none') #'none' gives no fill, while None will default to [0,0,1]
    ellipses.set_alpha(.05)
    ellipses.set_transformation(transData)
    ax.add_collection(ellipses)

---

我已经能够通过手工计算平方根倒置矩阵的形式来提高绘图效率。这也是一个相当大的提速

在上述代码中：

 A = numpy.array( [ ( a, 0, 0 ) ,
                          ( c, d, 0 ) ,
                          ( 0, 0, 1 ) ] , dtype=np.float64)
 EllShape = Affine2D( numpy.array(sqrtm( inv(A) ), dtype=np.float64) )

 A = numpy.array( [ ( a, 0, 0 ) ,
                          ( c, d, 0 ) ,
                          ( 0, 0, 1 ) ] , dtype=np.float64)
 EllShape = Affine2D( numpy.array(sqrtm( inv(A) ), dtype=np.float64) )

被替换为

 EllShape = Affine2D([\
 ( 1/sqrt(a),         0, 0),\
 ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0),\
 (         0,         0, 1)])

 EllShape = Affine2D([\
 ( 1/sqrt(a),         0, 0),\
 ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0),\
 (         0,         0, 1)])

我还发现了一些有趣的计时结果：

  num_to_run = 100000
  all_setup  = ''' import numpy as np ; from scipy.linalg import sqrtm ; from numpy.linalg import inv ; from numpy import sqrt
  a=.1 ; c=43.2 ; d=32.343'''

  timeit( \
  'sqrtm(inv(np.array([ ( a, 0, 0 ) , ( c, d, 0 ) , ( 0, 0, 1 ) ])))',\
  setup=all_setup, number=num_to_run)
   >> 22.2588094075 #(Matlab reports 8 seconds for this run) 

  timeit(\
  '[ (1/sqrt(a), 0, 0), ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0), (0, 0, 1) ]',\
  setup=all_setup,  number=num_to_run)
  >> 1.10265190941 #(Matlab reports .1 seconds for this run) 

  num_to_run = 100000
  all_setup  = ''' import numpy as np ; from scipy.linalg import sqrtm ; from numpy.linalg import inv ; from numpy import sqrt
  a=.1 ; c=43.2 ; d=32.343'''

  timeit( \
  'sqrtm(inv(np.array([ ( a, 0, 0 ) , ( c, d, 0 ) , ( 0, 0, 1 ) ])))',\
  setup=all_setup, number=num_to_run)
   >> 22.2588094075 #(Matlab reports 8 seconds for this run) 

  timeit(\
  '[ (1/sqrt(a), 0, 0), ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), 0), (0, 0, 1) ]',\
  setup=all_setup,  number=num_to_run)
  >> 1.10265190941 #(Matlab reports .1 seconds for this run) 

---

编辑2

我用一个补丁集合和一些手工计算，快速地计算和绘制了椭圆（大约在一秒钟内，我没有对它进行分析）。 唯一的缺点是我似乎无法将椭圆的填充设置为false

 from matplotlib.collections import PatchCollection
 ell_list = []
 for i in range(num_chips):
     axi =  chips[i].axi 
     ax  =  dm.ax_list[axi]
     transData = dm.transData_list[axi]
     chip_feats = chips[i].features
     for feat in chip_feats:
         (x,y,a,c,d) = feat
         EllShape = Affine2D([\
            ( 1/sqrt(a),         0, x),\
            ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), y),\
            (         0,         0, 1)])
         unitCirc = Circle((0,0),1,transform=EllShape)
         ell_list = [unitCirc] + ell_list
    ellipses = PatchCollection(ell_list)
    ellipses.set_color([1,1,1])
    ellipses.face_color('none') #'none' gives no fill, while None will default to [0,0,1]
    ellipses.set_alpha(.05)
    ellipses.set_transformation(transData)
    ax.add_collection(ellipses)

 from matplotlib.collections import PatchCollection
 ell_list = []
 for i in range(num_chips):
     axi =  chips[i].axi 
     ax  =  dm.ax_list[axi]
     transData = dm.transData_list[axi]
     chip_feats = chips[i].features
     for feat in chip_feats:
         (x,y,a,c,d) = feat
         EllShape = Affine2D([\
            ( 1/sqrt(a),         0, x),\
            ((c/sqrt(a) - c/sqrt(d))/(a - d), 1/sqrt(d), y),\
            (         0,         0, 1)])
         unitCirc = Circle((0,0),1,transform=EllShape)
         ell_list = [unitCirc] + ell_list
    ellipses = PatchCollection(ell_list)
    ellipses.set_color([1,1,1])
    ellipses.face_color('none') #'none' gives no fill, while None will default to [0,0,1]
    ellipses.set_alpha(.05)
    ellipses.set_transformation(transData)
    ax.add_collection(ellipses)

---

您可以将所有椭圆放入一个补丁集合中，这样也可以加快绘图速度。您可以试试

PathCollection

？这是相同的想法，但与路径，而不是补丁。还可以尝试添加kwarg

match\u original=True

（），我找到了一种更简单的方法。您可以将修补程序集合的facecolor设置为字符串：“无”。（注意，如果使用None，则不起作用，然后它只是默认值）是的，

'None'

是字符串对象，

None

是

None

对象。对不起，我应该仔细考虑一下我之前的评论。你能把你最后的评论作为一个解决方案，因为你似乎已经解决了你自己的问题吗？