如何用Matplotlib高效为多标签网格化数据绘制彩色等高线？

核心思路 #

利用skimage.measure.find_contours批量提取所有标签区域的轮廓，再通过matplotlib.collections.LineCollection一次性渲染所有轮廓线条，既解决循环绘制的效率问题，又能实现不同标签区域的颜色区分。

实现代码 #

import numpy as np
import skimage
import matplotlib.pyplot as plt
from matplotlib.collections import LineCollection

# 生成测试数据
test_arr = np.zeros((30,30))
test_arr[2:10, 2:10] = 2
test_arr[18:24, 18:24] = 2
label = skimage.measure.label(test_arr>1)

# 提取所有非背景标签的轮廓
valid_labels = np.unique(label)[np.unique(label) != 0]
contours = []
for lbl in valid_labels:
    # 提取当前标签区域的边界轮廓，level设为标签值-0.5以精准捕捉边界
    cnts = skimage.measure.find_contours(label, level=lbl - 0.5)
    contours.extend(cnts)

# 生成对应标签数量的颜色（可自定义colormap）
cmap = plt.cm.get_cmap('tab20', len(valid_labels))
colors = cmap(np.arange(len(valid_labels)))

# 创建LineCollection批量渲染所有轮廓
lc = LineCollection(contours, colors=colors, linewidths=2)

# 绘制底层数据+轮廓
fig, ax = plt.subplots()
ax.imshow(test_arr, cmap='gray')
ax.add_collection(lc)
ax.set_axis_off()
plt.show()

效率优势说明 #

• 避免循环渲染开销：LineCollection将所有轮廓作为一个图形对象一次性渲染，相比循环调用plt.contour逐个绘制，能大幅减少matplotlib的上下文切换和渲染次数，即使数千个标签也能保持高效。
• 精准提取轮廓：skimage.measure.find_contours专门针对区域边界提取优化，比手动判断边界的逻辑更快更准确。
• 灵活颜色控制：通过colormap自动生成与标签数量匹配的颜色，无需手动逐个指定，还可替换tab20为其他支持多颜色的colormap（如hsv、viridis）。

为什么不直接用plt.contour？ #

如果直接调用plt.contour(label, levels=valid_labels)，会绘制出所有标签区域的边界，但存在两个问题：

1. 可能生成多余的内部线条（若标签区域包含孔洞）；
2. 颜色分配是基于等高线级别，而非标签本身，无法确保每个标签对应唯一颜色（尤其是标签数量超过colormap的离散颜色数时）。

内容的提问来源于stack exchange，提问作者Laxsnor