【pytorch + matplotlib】将若干张图像拼接成一张图像（附代码，以FashionMNIST为例）（subplot 和 subplots区别）

今天药忘吃喽~ 2023-05-21 10:17 9阅读 0赞

### 文章目录 ###

*   *  一、在pytorch中紧凑画出子图
     *   *  （1）在一行里画出多张图像和对应标签
         *   *  1）代码
             *  2）效果展示
             *   *  色偏原因分析：
         *  （2）以矩阵的形式展示多张图片
         *   *  1）代码
             *  2）效果展示
     *  二、在matplotlib中紧凑画出子图
     *   *  （1）区分 subplot 和 subplots
         *  （2）代码
         *  （3）效果展示
     *  三、手动将一个文件夹下的图片拼接在一起
     *  参考：

## 一、在pytorch中紧凑画出子图 ##

### （1）在一行里画出多张图像和对应标签 ###

#### 1）代码 ####

import matplotlib.pyplot as plt
    import numpy as np
    import torchvision
    import torchvision.transforms as transforms
    from IPython import display
    
    np.set_printoptions(threshold=100000000)
    
    mnist_train = torchvision.datasets.FashionMNIST(root='./data', train=True, download=True,
                                                    transform=transforms.ToTensor())
    mnist_test = torchvision.datasets.FashionMNIST(root='./data', train=False, download=True,
                                                   transform=transforms.ToTensor())
    
    
    def use_svg_display():
        """Use svg format to display plot in jupyter"""
        display.set_matplotlib_formats('svg')
    
    
    # 本函数已保存在d2lzh包中方便以后使用
    def get_fashion_mnist_labels(labels):
        text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                       'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
        return [text_labels[int(i)] for i in labels]
    
    
    # 本函数已保存在d2lzh包中方便以后使用
    def show_fashion_mnist(images, labels):
        use_svg_display()
        # 这里的_表示我们忽略（不使用）的变量
        _, figs = plt.subplots(1, len(images), figsize=(12, 12))
        for f, img, lbl in zip(figs, images, labels):
            # np.squeeze将（1，28，28）→（28，28）
            f.imshow(np.squeeze(img.numpy()))
            f.set_title(lbl)
            f.axes.get_xaxis().set_visible(False)
            f.axes.get_yaxis().set_visible(False)
        plt.show()
    
    
    # 完成了torch.utils.data.DataLoader的功能
    X, y = [], []
    for i in range(10):
        X.append(mnist_train[i][0])
        y.append(mnist_train[i][1])
    show_fashion_mnist(X, get_fashion_mnist_labels(y))

#### 2）效果展示 ####

##### 色偏原因分析： #####

*  下图每一张图像是由（28，28， 1）压缩（np.squeeze）到（28，28）的异色图像，
 *  若要得到黑白图像，则应该将3个（28，28， 1）的图像拼接在一起就可以得到（28，28，3），绘制出来就是黑白图像了。
 *  色偏问题原因：plt.imshow()在绘制2维图像时，0（最小值）显示深蓝色，1（最大值）显示黄色，其他数值显示由蓝到黄的过度颜色，所以（28，28）的图像画出来是蓝黄相间的。
 *  具体的色偏色差问题分析请转至博客：[【matplotlib + opencv】关于opencv和matplotlib绘制图像时，出现色差色偏的问题探讨，思考，解决。（plt.imshow()绘制的图像底色偏绿蓝偏黄）][matplotlib _ opencv_opencv_matplotlib_plt.imshow]  
    ![在这里插入图片描述][20200421194004440.png]

### （2）以矩阵的形式展示多张图片 ###

#### 1）代码 ####

import matplotlib.pyplot as plt
    import numpy as np
    import torch
    import torchvision
    import torchvision.transforms as transforms
    
    
    trainset = torchvision.datasets.FashionMNIST(root='./data', train=True,
                                            download=True, transform=transforms.ToTensor())
    trainloader = torch.utils.data.DataLoader(trainset, batch_size=49,
                                              shuffle=True, num_workers=0)
    
    testset = torchvision.datasets.FashionMNIST(root='./data', train=False,
                                           download=True, transform=transforms.ToTensor())
    testloader = torch.utils.data.DataLoader(testset, batch_size=49,
                                             shuffle=False, num_workers=0)
    
    classes = ('t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                       'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot')
    
    
    # functions to show an image
    def imshow(img):
        print(img.shape)
        # img = img / 2 + 0.5 # unnormalize
        npimg = img.numpy()
        plt.imshow(np.transpose(npimg, (1, 2, 0)))
        plt.show()
    
    
    # get some random training images
    dataiter = iter(trainloader)
    images, labels = dataiter.next()
    print(images.shape)
    
    # show images
    imshow(torchvision.utils.make_grid(images, nrow=7, padding=1))
    # print labels
    print(' '.join('%5s' % classes[labels[j]] for j in range(49)))

#### 2）效果展示 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21pcmFjbGVvYQ_size_16_color_FFFFFF_t_70]

## 二、在matplotlib中紧凑画出子图 ##

### （1）区分 subplot 和 subplots ###

*  plt.subplot()在指定分割子图个数和定位子图时可以使用参数连写的方式如：plt.subplot(221)
 *  plt.subplots(m,n)返回的值的类型为元组，其中包含两个元素：第一个为一个画布fig，第二个是子图ax，结果是一个mxn的矩阵，调用时要XXX=ax.\[i,j\]来调用。

### （2）代码 ###

import matplotlib.pyplot as plt
    
    # # 写法一：
    # # 定义fig
    # fig = plt.figure()
    # # 建立子图
    # ax = fig.subplots(2, 2) # 2*2
    
    # 写法二：
    fig, ax = plt.subplots(2, 2)
    
    # 第一个图为
    ax[0, 0].plot([2, 1], [3, 4])
    # 第二个图为
    ax[0, 1].plot([1, 2], [3, 4])
    # 第三个图为
    ax[1, 0].plot([1, 2], [4, 3])
    # 第四个图为
    ax[1, 1].plot([1, 2], [3, 4])
    plt.show()

### （3）效果展示 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21pcmFjbGVvYQ_size_16_color_FFFFFF_t_70 1]

## 三、手动将一个文件夹下的图片拼接在一起 ##

import PIL.Image as Image
    import os
    
    IMAGES_PATH = './loop_img/'  # 图片集地址
    IMAGES_FORMAT = ['.jpg', '.JPG', '.png']  # 图片格式
    IMAGE_SIZE = 256  # 每张小图片的大小
    IMAGE_ROW = 2  # 图片间隔，也就是合并成一张图后，一共有几行
    IMAGE_COLUMN = 2  # 图片间隔，也就是合并成一张图后，一共有几列
    IMAGE_SAVE_PATH = 'final.jpg'  # 图片转换后的地址
    
    # 获取图片集地址下的所有图片名称
    image_names = [name for name in os.listdir(IMAGES_PATH) for item in IMAGES_FORMAT if
                   os.path.splitext(name)[1] == item]
    
    # 简单的对于参数的设定和实际图片集的大小进行数量判断
    if len(image_names) != IMAGE_ROW * IMAGE_COLUMN:
        raise ValueError("合成图片的参数和要求的数量不能匹配！")
    
    
    # 定义图像拼接函数
    def image_compose():
        to_image = Image.new('RGB', (IMAGE_COLUMN * IMAGE_SIZE, IMAGE_ROW * IMAGE_SIZE))  # 创建一个新图
        # 循环遍历，把每张图片按顺序粘贴到对应位置上
        for y in range(1, IMAGE_ROW + 1):
            for x in range(1, IMAGE_COLUMN + 1):
                from_image = Image.open(IMAGES_PATH + image_names[IMAGE_COLUMN * (y - 1) + x - 1]).resize(
                    (IMAGE_SIZE, IMAGE_SIZE), Image.ANTIALIAS)
                to_image.paste(from_image, ((x - 1) * IMAGE_SIZE, (y - 1) * IMAGE_SIZE))
        return to_image.save(IMAGE_SAVE_PATH)  # 保存新图
    
    
    image_compose()  # 调用函数

*  结果  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21pcmFjbGVvYQ_size_16_color_FFFFFF_t_70 2]

## 参考： ##

[使用python将多张图片拼接成大图][python]

[matplotlib _ opencv_opencv_matplotlib_plt.imshow]: https://blog.csdn.net/miracleoa/article/details/105654496
[20200421194004440.png]: /images/20230521/37cb3e1e06894e4aa9108ff8e364ed1f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21pcmFjbGVvYQ_size_16_color_FFFFFF_t_70]: /images/20230521/226d97c621bf48c8b381ea25f47bfd01.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21pcmFjbGVvYQ_size_16_color_FFFFFF_t_70 1]: /images/20230521/bd5c70961a844782a8279946a2a47ef3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21pcmFjbGVvYQ_size_16_color_FFFFFF_t_70 2]: /images/20230521/9dc2962f061a43c4a5408614b3c20cbc.png
[python]: https://blog.csdn.net/beyond9305/article/details/83413009