python - 在matplotlib中用许多补丁绘制多个图像的有效方法？

Question

我正在编写代码来显示图像之间的特征匹配。目前代码运行速度相当慢。我对如何加快速度有一些想法，但我对 matplotlib 或它在幕后的工作方式还不是 100% 满意。

代码的基本结构是:(我省略了一些内容以使其更具可读性)

from matplotlib.patches import Rectangle, Circle, Ellipse
import matplotlib.gridspec as gridspec
from matplotlib.transforms import Affine2D
from scipy.linalg import inv, sqrtm
import matplotlib.pyplot as plt
import numpy as np

添加列表图像。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，我真正从中收集到的是，绘制所有内容需要很长时间。当我了解 matplotlib 中的转换时，我的基本想法是在每个图像自己的坐标中绘制每个图像，然后维护几个转换，以便我以后可以用它们做很酷的事情，但我怀疑它不会很好地缩放。

抽奖的实际输出如下所示:



当我调整它的大小时，这个数字大约需要 4 秒才能重绘，我将想要平移/缩放。

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

我还需要编写一些代码来在匹配的特征之间放置线，但现在我不太确定使用多个轴是一个很好的主意，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:

绘制椭圆与变换圆是否更有效？使用 matplotlib 转换的开销是多少？

有没有办法组合一组补丁，以便它们一起转换或更有效地转换？

将所有内容打包到一个轴中会更有效吗？如果我这样做，转换范式还可以使用吗？或者变换是这里的罪魁祸首？

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 ) ) ？或者我将它们放在 for 循环中也一样好？

我应该切换到 pyqtgraph 之类的东西吗？我不打算让它们成为平移和缩放之外的任何动画。 (也许将来我想将这些嵌入到交互式图表中)

编辑:

我已经能够通过手工计算平方根倒矩阵的形式来提高绘图效率。它的速度也相当大。

在上面的代码中:

 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) )

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)])

我也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) 

编辑 2

我已经使用 PatchCollection 和一些手动计算非常快速地计算和绘制椭圆(大约一秒钟，我没有分析它)。
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)

Answer 1

我已经能够通过手工计算平方根倒矩阵的形式来提高绘图效率。它的速度也相当大。

在上面的代码中:

 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) )

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)])

我也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) 

编辑 2

我已经使用 PatchCollection 和一些手动计算非常快速地计算和绘制椭圆(大约一秒钟，我没有分析它)。
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)