如何基于灰度图像生成numpy网格并实现笛卡尔坐标散点？

你完全不需要从零实现，用Python的NumPy结合成熟的图像处理/可视化库就能快速完成需求。核心逻辑是提取图像中前景像素的坐标，再将这些坐标映射到笛卡尔坐标系后绘制散点即可，以下是具体实现方案：

核心思路 #

灰度图像中，前景区域的像素值通常大于背景（一般为黑色，像素值0）。我们只需要提取所有非背景像素的(x,y)坐标，再将这些坐标映射到笛卡尔坐标系后绘制散点即可。

实现代码（OpenCV + NumPy + Matplotlib） #

这是最常用的组合，步骤清晰：

1. 加载灰度图像

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 直接读取为灰度格式
img = cv2.imread("your_geometry_image.png", cv2.IMREAD_GRAYSCALE)

2. 提取前景像素坐标并转换为笛卡尔系
   图像默认坐标系以左上角为原点、y轴向下，需要翻转y轴匹配笛卡尔坐标系的向上y轴：

# 获取所有非零像素的坐标（注意返回顺序是(y, x)）
y_img, x_img = np.where(img > 0)
# 转换为笛卡尔坐标
x_cart = x_img
y_cart = img.shape[0] - y_img  # 翻转y轴

3. 绘制散点图

plt.figure(figsize=(8, 8))
# 绘制散点，s控制点大小，c控制颜色
plt.scatter(x_cart, y_cart, s=1, c="black")
# 保持图像比例，避免变形
plt.gca().set_aspect("equal")
# 关闭坐标轴，贴合示例效果
plt.axis("off")
plt.show()

替代方案（PIL + NumPy + Matplotlib） #

如果习惯使用PIL库，逻辑完全一致：

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

# 加载并转换为灰度图
img = Image.open("your_geometry_image.png").convert("L")
img_np = np.array(img)

# 提取并转换坐标
y_img, x_img = np.where(img_np > 0)
y_cart = img_np.shape[0] - y_img

# 绘制散点
plt.figure(figsize=(8, 8))
plt.scatter(x_img, y_cart, s=1, c="black")
plt.gca().set_aspect("equal")
plt.axis("off")
plt.show()

注意事项 #

• 阈值调整：如果图像背景不是纯黑，可以修改img > 0的阈值（比如img > 10），过滤浅灰色的背景噪声。
• 点大小控制：通过scatter函数的s参数调整点的尺寸，匹配你需要的效果。

内容的提问来源于stack exchange，提问作者Mohamed Obeid