Matplotlib——画布坐标系与图像坐标系间的转换

我来帮你拆解一下你遇到的几个问题，一步步解决：

一、坐标系转换：从数据坐标到图像坐标的正确映射 #

你提到的坐标系转换问题，核心是要理清Matplotlib里的几种坐标空间：

• 数据坐标（data）：就是你散点图里的X[:,0]、X[:,1]对应的坐标
• 显示坐标（display）：画布上的像素坐标，原点在整个Figure的左下角
• 图像坐标（imshow）：imshow显示的图像坐标，原点在图像的左上角，y轴方向和显示坐标相反

要完成转换，你可以用Matplotlib的变换工具：

1. 先把数据点从数据坐标转成显示坐标：

   # 假设用ax1（你的散点子图）来做转换
   display_coords = ax1.transData.transform(X)
   

2. 再把显示坐标转成图像坐标：需要考虑图像的高度，因为imshow的y轴是反向的

   # 获取ax1的显示区域大小（像素）
   bbox = ax1.get_window_extent().transformed(fig.dpi_scale_trans.inverted())
   ax_width, ax_height = bbox.width * fig.dpi, bbox.height * fig.dpi
   # 转换y坐标：显示坐标的y是从下到上，图像坐标是从上到下
   image_coords = display_coords.copy()
   image_coords[:,1] = ax_height - display_coords[:,1]
   

这样得到的image_coords就是对应右侧imshow图像里的像素坐标了。

二、直接从Axes实例生成图像（而非整个Figure） #

完全可以直接从现有Axes生成图像，不用新建一个Figure，这样既省资源又能避免重复绘图。方法是利用Axes的get_window_extent()截取对应区域的像素：

# 先绘制好左侧散点图
ax1.scatter(X[:, 0], X[:, 1], s=2, c='k')
ax1.set_title('ax.scatter')

# 渲染整个画布
fig.canvas.draw()

# 获取ax1的边界（像素单位）
bbox = ax1.get_window_extent()
x1, y1, x2, y2 = int(bbox.x0), int(bbox.y0), int(bbox.x1), int(bbox.y1)

# 从画布的渲染缓冲区提取Ax1区域的图像
fig_width, fig_height = fig.get_size_inches() * fig.dpi
img = np.frombuffer(fig.canvas.tostring_rgb(), dtype=np.uint8).reshape(int(fig_height), int(fig_width), 3)
ax1_img = img[y1:y2, x1:x2, :]

# 在右侧子图显示
ax2.imshow(ax1_img)
ax2.set_title('Axes to Image')

这样就直接用左侧的Ax1生成了对应的图像，不用重复画散点图，坐标系也和原Axes完全对应。

三、优化散点转图像的实现（更高效的方式） #

如果你的需求只是把散点数据转成图像（比如用于霍夫变换这类图像处理），其实可以不用通过Matplotlib渲染，直接用NumPy生成像素数组，速度会快很多，尤其是数据量大的时候：

# 定义图像的分辨率（比如500x500）
img_res = (500, 500)
# 把数据归一化到[0, img_res[0]-1]和[0, img_res[1]-1]的范围
x_norm = (X[:,0] * (img_res[0]-1)).astype(int)
y_norm = ((1 - X[:,1]) * (img_res[1]-1)).astype(int) # 这里反转y轴，对应图像坐标系

# 创建空白图像
img = np.zeros((img_res[1], img_res[0], 3), dtype=np.uint8)
# 把散点位置设为黑色
img[y_norm, x_norm] = [0, 0, 0]

# 显示图像
ax2.imshow(img)

这种方法跳过了Matplotlib的绘图渲染过程，直接生成图像，效率更高，而且你可以完全控制图像的分辨率和坐标映射，更适合后续的图像处理操作。

整合后的完整代码 #

这里把优化后的代码整合起来，你可以直接运行：

import numpy as np
import matplotlib.pyplot as plt

# --- 生成随机数据
X = np.random.rand(1000, 2)

# --- 画布配置
fig = plt.figure(figsize=(10, 5)) # 缩小尺寸更方便查看
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)

# --- 左侧散点图
ax1.scatter(X[:, 0], X[:, 1], s=2, c='k')
ax1.set_title('Original Scatter')

# --- 方法1：从Axes直接提取图像
fig.canvas.draw()
bbox = ax1.get_window_extent()
x1, y1, x2, y2 = int(bbox.x0), int(bbox.y0), int(bbox.x1), int(bbox.y1)
fig_height, fig_width = fig.get_size_inches() * fig.dpi
img = np.frombuffer(fig.canvas.tostring_rgb(), dtype=np.uint8).reshape(int(fig_height), int(fig_width), 3)
ax1_img = img[y1:y2, x1:x2, :]
# ax2.imshow(ax1_img)

# --- 方法2：直接用NumPy生成图像（推荐用于图像处理）
img_res = (500, 500)
x_norm = (X[:,0] * (img_res[0]-1)).astype(int)
y_norm = ((1 - X[:,1]) * (img_res[1]-1)).astype(int)
img = np.zeros((img_res[1], img_res[0], 3), dtype=np.uint8)
img[y_norm, x_norm] = [0, 0, 0]
ax2.imshow(img)

ax2.set_title('Converted Image')
plt.tight_layout()
plt.show()

内容的提问来源于stack exchange，提问作者yonatan