【OpenCV实现图像：OpenCV利用Python创作热力图】

概要

热力图是一种强大的统计图表，通过对数据进行色彩映射，直观展示了数据分布的热度和密度。在绘制热力图时，关键在于指定颜色映射的规则，这决定了图中不同数值的呈现方式。通常，较大的数值以深色或偏暖的色彩表示，而较小的数值则以浅色或偏冷的色彩呈现，从而使观察者能够迅速理解数据的相对大小和趋势。

读取图像

首先，我们来读取样例图像，并对其进行相应的crop操作。
样例代码如下：

import numpy as np
import matplotlib.pyplot as plt
import skimage.io as io
img = plt.imread("img_2.png")
# crop
img_cut = img[0:400,:,:]
plt.figure()
plt.imshow(img_cut)
plt.show()

1
2
3
4
5
6
7
8
9
10
11

图像灰度化

由于热力图主要用于可视化二维矩阵，所以我们需要将彩色图转化为灰度图，代码如下：

import numpy as np
import matplotlib.pyplot as plt
import skimage.io as io
img = plt.imread("img_2.png")
# crop
img_cut = img[0:400,:,:]
plt.figure()
plt.imshow(img_cut)
plt.show()
from skimage.color import rgb2gray
gray_img = rgb2gray(img_cut)
plt.imshow(gray_img,cmap='gray')
plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

像素化效果

像素化效果是一种图像处理技术，旨在赋予图像一种艺术化的像素化外观。该操作的关键步骤是将图像划分为非重叠的块，块的大小决定了最终像素化效果的粒度。通常，块的尺寸越大，图像看起来越像是由像素块组成。

from PIL import Image


def pixelate(image_path, pixel_size):
    # 打开图片
    img = Image.open(image_path)

    # 获取图片的宽度和高度
    width, height = img.size

    # 计算每个像素块的大小
    pixel_size = max(1, pixel_size)
    block_size = (width // pixel_size, height // pixel_size)

    # 缩小图像，然后放大回原始大小，实现像素化效果
    img = img.resize(block_size, resample=Image.NEAREST)
    img = img.resize((width, height), resample=Image.NEAREST)

    # 保存处理后的图像
    output_path = "pixelated_" + str(pixel_size) + "_" + image_path
    img.save(output_path)


# 使用例子
image_path = "img_2.png"
pixel_size = 10
pixelate(image_path, pixel_size)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

热力图绘制

继处理灰度图和像素化之后，我们将进一步绘制热力图。热力图是通过色彩映射展示数据分布的一种方式，我们将使用Seaborn库绘制热力图，并以图像的像素块作为数据点。

首先，我们需要安装Seaborn库，可以使用以下命令：

pip install seaborn
1

接下来，我们将使用处理过的灰度图像进行热力图绘制：

import seaborn as sns
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

def heatmap_from_image(image_path, pixel_size):
    # 打开处理后的图片
    img = Image.open("pixelated_" + str(pixel_size) + "_" + image_path)

    # 将图像转为NumPy数组
    img_array = np.array(img)

    # 创建热力图
    plt.figure(figsize=(10, 8))
    sns.heatmap(img_array[:, :, 0], cmap="viridis", cbar=False)

    # 设置图像标题和坐标轴标签
    plt.title("Heatmap from Pixelated Image")
    plt.xlabel("X-axis")
    plt.ylabel("Y-axis")

    # 显示热力图
    plt.show()

# 使用例子
heatmap_from_image("img_2.png", 10)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

此代码将像素化的图像转换为NumPy数组，并使用Seaborn库绘制热力图。我们使用viridis颜色映射，您可以根据需要选择其他颜色映射。

热力图调色板

Seaborn库提供了丰富的调色板选项，允许您自定义热力图的颜色样式。在上面的代码中，我们使用了viridis调色板，如果您想尝试其他调色板，只需修改cmap参数即可。例如，我们将代码中的"cmap"参数改为"coolwarm"，效果如下：

import seaborn as sns
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

def heatmap_with_custom_palette(image_path, pixel_size, palette_name):
    # 打开处理后的图片
    img = Image.open("pixelated_" + str(pixel_size) + "_" + image_path)

    # 将图像转为NumPy数组
    img_array = np.array(img)

    # 创建热力图
    plt.figure(figsize=(10, 8))
    sns.heatmap(img_array[:, :, 0], cmap=palette_name, cbar=False)

    # 设置图像标题和坐标轴标签
    plt.title(f"Heatmap with {palette_name} Palette")
    plt.xlabel("X-axis")
    plt.ylabel("Y-axis")

    # 显示热力图
    plt.show()

# 使用例子
heatmap_with_custom_palette("img_2.png", 10, "coolwarm")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

通过修改palette_name参数，您可以使用Seaborn支持的不同调色板，如"coolwarm"、"viridis"等。

小结

热力图是一种强大的数据可视化工具，通过色彩映射直观展示数据的分布和密度。在创建热力图时，我们通过图像处理的方式，包括图像裁剪、灰度化和像素化，为数据准备了合适的基础。通过结合图像处理和数据可视化的方法，能够更生动地呈现数据的特征，使得分析和理解变得更加直观。这一过程不仅仅适用于图像数据，还可以用于其他二维数据的热力图绘制，为数据分析提供了更多的可能性。