2

我一次绘制多个图像，共享轴，因为我将它用于探索目的。每张图像都是不同日期的同一张卫星图像。在缩放和平移时，我正在尝试 matplotlib 的缓慢响应，我想询问任何可以加快该过程的提示。

我现在正在做的是：

  • 从多个 netcdf 文件加载数据。

  • 计算所有数据的最大值，用于标准化。

  • 使用 ImageGrid 创建子图网格。随着每个子图的生成，我删除了数组以释放一些内存（每个数组都存储在一个列表中，“删除”只是一个 list.pop()）。请参阅下面的代码。

它是 15 张图像，单通道，每张 4600x3840 像素。我注意到瓶颈不是 RAM（我有 8 GB），而是处理器。缩放或平移时，Python 在其中一个内核上的使用率达到 100%（它是 Intel(R) Core(TM) i5-2500 CPU @ 3.30GHz，4 核，64 位）。

代码是：

import os
import sys

import numpy as np
import netCDF4 as ncdf
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1 import ImageGrid
from matplotlib.colors import LogNorm

MIN = 0.001 # Hardcoded minimum data value used in normalization

variable = 'conc_chl'
units = r'$mg/m^3$'
data = []
dates = []

# Get a list of only netCDF files
filelist = os.listdir(sys.argv[1])
filelist = [f for f in filelist if os.path.splitext(f)[1] == '.nc']
filelist.sort()
filelist.reverse()

# Load data and extract dates from filenames
for f in filelist:
    dataset = ncdf.Dataset(os.path.join(sys.argv[1],f), 'r')
    data.append(dataset.variables[variable][:])
    dataset.close()
    dates.append((f.split('_')[2][:-3],f.split('_')[1]))

# Get the maximum value of all data. Will be used for normalization
maxc = np.array(data).max()

# Plot the grid of images + dates
fig = plt.figure()
grid = ImageGrid(fig, 111,\
        nrows_ncols = (3, 5),\
        axes_pad = 0.0,\
        share_all=True,\
        aspect = False,\
        cbar_location = "right",\
        cbar_mode = "single",\
        cbar_size = '2.5%',\
        )
for g in grid:
    v = data.pop()
    d = dates.pop()
    im = g.imshow(v, interpolation='none', norm=LogNorm(), vmin=MIN, vmax=maxc)
    g.text(0.01, 0.01, '-'.join(d), transform = g.transAxes) # Date on a corner
cticks = np.logspace(np.log10(MIN), np.log10(maxc), 5)
cbar = grid.cbar_axes[0].colorbar(im)
cbar.ax.set_yticks(cticks)
cbar.ax.set_yticklabels([str(np.round(t, 2)) for t in cticks])
cbar.set_label_text(units)

# Fine-tune figure; make subplots close to each other and hide x ticks for
# all
fig.subplots_adjust(left=0.02, bottom=0.02, right=0.95, top=0.98, hspace=0, wspace=0)
grid.axes_llc.set_yticklabels([], visible=False)
grid.axes_llc.set_xticklabels([], visible=False)

plt.show()

关于可以改进什么以使其更具响应性的任何线索？

4

1 回答 1

1

似乎设置interpolation='none'比将其设置为“最近”（甚至“双线性”）要慢得多。在支持的后端（例如任何 Agg 后端）上，“none”和“nearest”的代码路径是不同的：“nearest”被传递给 Agg 的插值例程，而“none”对图像进行未采样的重新缩放（我只是在阅读这里的代码注释）。

这些不同的方法给出不同的定性结果；例如，下面的代码片段给出了轻微的摩尔纹图案，当interpolation='none'.

import matplotlib.pyplot as plt
import numpy as np

img = np.random.uniform(0, 255, size=(2000, 2000)).astype(np.uint8)

plt.imshow(img, interpolation='nearest')
plt.show()

我认为“无”在放大（图像像素大于屏幕像素）时与“最近”大致相同，但在缩小时会给出更高阶的插值结果（图像像素小于屏幕像素）。我认为延迟来自重新缩放所需的一些额外的 Matplotlib/Python 计算。

于 2012-05-24T14:05:32.260 回答