使用R提取等高线图XYZ数值的技术咨询

优先方案：追溯原始数据 #

如果这张图来自已发表研究、报告或你自己生成的图表，优先找原始数据集：

• 若为学术图表，查看论文补充材料或联系作者获取数据，这是最准确的方式
• 若为自己用R（如ggplot2、plotly）绘制的图，直接复用绘图时的原始数据即可，无需从图片提取

无原始数据时：基于图像识别的提取方法 #

如果只能从图片本身提取，可通过R的图像分析工具实现，步骤如下：

1. 准备工具包

安装并加载处理图像、颜色和数据的R包：

install.packages(c("magick", "imager", "tidyverse", "colorspace"))
library(magick)
library(imager)
library(tidyverse)
library(colorspace)

2. 图像预处理

读取图片并裁剪掉图例、坐标轴标签等无关区域，只保留热力图主体：

# 读取本地图片（建议用高清原图）
img <- image_read("FzssW.png")
# 裁剪区域需根据实际图片调整，格式为"widthxheight+x_offset+y_offset"
img_cropped <- image_crop(img, "500x350+80+60") 

3. 坐标轴刻度校准

手动记录X（温度）、Y（PM10）轴的极值和对应像素坐标，建立像素到实际数值的映射：

# 将裁剪后的图转为imager对象，提取像素坐标
img_ima <- magick2cimg(img_cropped)
pixel_df <- as.data.frame(img_ima, wide = "c") %>% 
  rename(r = c.1, g = c.2, b = c.3) %>% 
  mutate(x_pix = x, y_pix = y)

# 示例校准：假设X轴像素x=1对应温度-10，x=500对应30；Y轴y=1对应PM10 0，y=350对应150
pixel_df <- pixel_df %>% 
  mutate(
    temp = scales::rescale(x_pix, to = c(-10, 30)),
    pm10 = scales::rescale(y_pix, to = c(0, 150))
  )

4. 颜色匹配Z值（相对死亡风险）

提取右上角图例的颜色梯度和对应Z值，建立颜色与数值的映射，再匹配每个像素的颜色：

# 手动提取图例的颜色和对应Z值（需对照原图的刻度）
color_map <- tibble(
  z = seq(1.0, 1.2, by = 0.05),
  hex_color = c("#e5f5f9", "#ccece6", "#99d8c9", "#66c2a4", "#41ae76", "#238b45")
) %>% 
  mutate(rgb_color = map(hex_color, ~col2rgb(.)/255))

# 计算每个像素颜色与图例颜色的距离，匹配最近的Z值
pixel_df <- pixel_df %>% 
  rowwise() %>% 
  mutate(
    pixel_rgb = list(c(r, g, b)),
    # 用CIE Lab颜色空间计算距离，比RGB更准确
    color_dist = map_dbl(color_map$rgb_color, ~{
      dist(convertColor(rbind(pixel_rgb, .), from = "sRGB", to = "Lab"))
    }),
    z = color_map$z[which.min(color_dist)]
  ) %>% 
  ungroup() %>% 
  select(temp, pm10, z)

5. 结果整理

最后得到的pixel_df就是包含XYZ数值的数据框，可导出为CSV或进一步分析：

write_csv(pixel_df, "heatmap_xyz_data.csv")

注意事项 #

• 图像分辨率越高，提取精度越好，尽量避免使用压缩后的低清图片
• 坐标轴校准和图例颜色提取需要手动对照原图，确保数值映射准确
• 颜色匹配时，使用CIE Lab颜色空间比RGB空间的匹配结果更贴合人眼感知

内容的提问来源于stack exchange，提问作者Akis