使用Matplotlib库可视化COCO数据集格式常用函数 (一)

小灰灰 2024-05-08 06:39 58阅读 0赞

#### 目录 ####

*  前言
 *  理论知识
 *  在单个子图上显示、保存图片
 *  在多个子图上显示图片
 *  在图片上绘制检测框
 *  多子图显示图片，设置窗口的属性（名称，坐标范围）

## 前言 ##

经常使用COCO格式数据集的同学们肯定会经常对模型的输出结果进行可视化，可视化最常用的包是matplotlib.pyplot，下面就让我们看一下如何使用plt包对COCO格式的数据进行可视化。

这是第一部分，主要讲解用plt的原理和基本使用方法，对于COCO数据集的可视化可以直接看第二部分。

## 理论知识 ##

matplotlib.pyplot是python中画图常用的包，在使用前通常用`import matplotlib.pyplot as plt`引入，以下都用plt代替这个包。

plt包中有l两个重要的对象：`Figure(画布对象)`、`aiex(子图对象)`。  
`figure对象`就是一个`空白的画布`，`子图对象`就是画布上`一块内容`（这块内容可以显示图表，也可以显示图像），`一个画布上可以有多个子图`，所以也就有下文将要讲的多子图显示技术。

举个例子，figure对象可以使用`plt.figure()`创建，然后使用`plt.show()`进行显示，此时结果如下图，可以看到因为画布上没有任何子图对象，所以是空白的。

![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA6YGH5Yiw5Z2O5bCx5b6X6L-I6L-H5Y67_size_14_color_FFFFFF_t_70_g_se_x_16]  
有了上面的理论，我们就有了一个直观的认识：当我们使用plt进行可视化时，无论是显示单个子图还是多个子图，首先要做的就是`创建一个空白的画布对象`，然后`创建一个个子图对象`，在对应的子图上进行相应的操作。

有些同学可能会问，显示图片的时候直接用`plt.imshow(image)`就可以了啊，也没有手动创建一个Figure对象，这是因为这个函数内部自己新建了一个画布对象~

好了，有了前面知识的铺垫，就让我们从最简单的显示单张图片开始看一下到底如何使用plt包进行绘图吧！

## 在单个子图上显示、保存图片 ##

如果显示图片，可以使用`plt.imshow(image，cmap='')`，其中image\_path代表图片，可以是io.imread()读取的Image对象，cmap代表图片的色彩空间，默认是RGB。如果显示灰度图片，需要让`cmap='gray'`才能正确显示。

为了使图片显示在屏幕上，调用上面的函数后还需要调用`plt.show()`使画布绘制在桌面上。

如果保存图片，可以使用`plt.savefig(image_name)`保存当前画布中的内容，其中，image\_name代表所要保存的路径和文件名。

## 在多个子图上显示图片 ##

上面的例子我们在一个子图上显示了图片，但是如果我们想要用多个子图显示不同的图片应该怎么做呢？

首先应该在建好的空白画布上创建子图对象，然后使用`plt.subplot(row, col, idx)`在子图上绘制图片，其中row代表画布的`行数`，col代表画布的`列数`，idx表示当前激活的`子图下标`，下标从1开始，按从左往右的顺序依次递增。

为什么还需要传入子图的坐标呢？这是因为这样做即使我们不用变量接收子图对象，plt包也可以正确地知道接下来的操作应该在哪个子图上执行。具体代码如下：

I = io.imread('C:/Users/hejianfei/Desktop/ski10病理切片/001-houqi-077.jpg')
    plt.subplot(1, 2, 1)  # 子图分为一行两列，当前选择第一个
    plt.imshow(I)  # 显示图片
    plt.subplot(1, 2, 2)  # 子图分为一行两列，当前选择第二个
    plt.imshow(I)   
    plt.show()

或者也可以手动得到每个子图对象，然后在子图对象上显示图片

I = io.imread('C:/Users/hejianfei/Desktop/ski10病理切片/001-houqi-077.jpg')
    ax = plt.subplot(1, 2, 1)  # 用ax接收当前子图对象
    ax.imshow(I)  # 显示图片
    ax = plt.subplot(1, 2, 2)
    ax.imshow(I)
    plt.show()

最终的结果是一样的，如下：  
![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA6YGH5Yiw5Z2O5bCx5b6X6L-I6L-H5Y67_size_14_color_FFFFFF_t_70_g_se_x_16 1]

## 在图片上绘制检测框 ##

上面我们知道了如何在多个子图上显示图片，现在来考虑如何在图片上绘制检测框。

先来考虑如何实现这个功能，为了实现效果，我们肯定需要先显示出图片，然后再在原图上叠加上检测框，那么如何实现叠加的效果呢？

plt包中有一个`ax.add_patch(obj)`函数可以实现这个功能，其中`ax`代表当前的子图实例，`obj`是plt包内置的形状类，可以是矩形，椭圆，多边形等等，这里我们主要用矩形类（绘制检测框）和多边形类（绘制掩码）。

检测框就是一个矩形框，可以用`左上角坐标和右下角坐标`来表示这个矩形。plt包中有专门的`Rectangle`类来表示一个矩形，关于此类详细的用法可以百度。

具体代码如下：

I = io.imread('C:/Users/hejianfei/Desktop/ski10病理切片/001-houqi-077.jpg')
    # 实例化矩形对象:设置边框的宽度，边框的颜色，填充颜色
    rect = plt.Rectangle((0.0, 0.0), 100, 100, alpha=0.8, linewidth=1, edgecolor='r', facecolor='none')
    ax = plt.subplot(1, 2, 1)  # 用ax接收当前子图对象
    ax.imshow(I)  # 显示图片
    ax.add_patch(rect)  # 在已有的图片上添加其他对象
    ax = plt.subplot(1, 2, 2)
    ax.imshow(I)
    plt.show()

我们在第一个子图上显示了一个矩形框，结果如下：

![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA6YGH5Yiw5Z2O5bCx5b6X6L-I6L-H5Y67_size_14_color_FFFFFF_t_70_g_se_x_16 2]  
如果要绘制mask，可以借助plt包中的多边形类(Poly)来实现，下面介绍COCO时会讲到。

## 多子图显示图片，设置窗口的属性（名称，坐标范围） ##

上面创建多个子图时，使用的函数为`plt.subplot()`函数。实际上，还有一个常用的函数`plt.add_subplot()`函数也可以用来创建子图。

二者的不同在于，在使用`plt.subplot()`函数前，不需要手动调用`plt.figure()`函数创建一个画布对象，而在使用`plt.add_subplot`函数前需要手动调用`plt.figure()`函数创建一个画布对象，具体代码如下：

I = io.imread('C:/Users/hejianfei/Desktop/ski10病理切片/001-houqi-077.jpg')
    # ax = plt.subplot(1, 2, 1)  # 用ax接收当前子图对象
    # ax.imshow(I)  # 显示图片
    # ax = plt.subplot(1, 2, 2)
    # ax.imshow(I)
    # plt.show()
    
    fig = plt.figure()  # 创建figure对象
    ax = fig.add_subplot(1, 2, 1)  # 添加子图
    ax.imshow(I)
    ax = fig.add_subplot(1, 2, 2)
    ax.imshow(I)
    plt.show()

多子图显示时可以通过`ax.set_title()`函数设置子图名称，`ax.set_xlim(-10, 20)` `ax.set_ylim(-10, 20)`设置子图显示的坐标范围，具体代码如下：

fig = plt.figure()
    titles = ['iou', 'giou', 'diou', 'ciou']
    for i in range(4):
       ax = fig.add_subplot(2, 2, i + 1)
       ax.set_title(titles[i])
       rect1 = plt.Rectangle(
           (recs[i*2][0][0], recs[i*2][0][1]),  # (x,y)矩形左下角
           recs[i*2][0][3] - recs[i*2][0][1],  # width长
           recs[i*2][0][2] - recs[i*2][0][0],  # height宽
           color='maroon',
           alpha=0.5)
       ax.add_patch(rect1)
       rect2 = plt.Rectangle(
           (recs[i * 2 + 1][0][0], recs[i * 2 + 1][0][1]),  # (x,y)矩形左下角
           recs[i * 2 + 1][0][3] - recs[i * 2 + 1][0][1],  # width长
           recs[i * 2 + 1][0][2] - recs[i * 2 + 1][0][0],  # height宽
           color='green',
           alpha=0.5)
       ax.add_patch(rect2)
       ax.set_xlim(-10, 20)
       ax.set_ylim(-10, 20)
    plt.show()

[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA6YGH5Yiw5Z2O5bCx5b6X6L-I6L-H5Y67_size_14_color_FFFFFF_t_70_g_se_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/08/b9dc4eae66874d3ba90ba82b7b847471.png
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA6YGH5Yiw5Z2O5bCx5b6X6L-I6L-H5Y67_size_14_color_FFFFFF_t_70_g_se_x_16 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/08/8c81795a56624e8c88f87ec9585cdcbf.png
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA6YGH5Yiw5Z2O5bCx5b6X6L-I6L-H5Y67_size_14_color_FFFFFF_t_70_g_se_x_16 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/08/cd44e9b46f3847a793572552c385e21d.png