Julia集分形图像矩阵构建与图像优化技术问询

问题1：r.fill(intensity)导致矩阵元素全部相同 #

问题分析 #

你的代码里，每次循环都重新创建了一个新的100x100的r矩阵，然后用当前单个像素的intensity（逃逸时间）填充它——这就意味着每一次打印的r必然是全相同值的矩阵，因为它只承载了当前这一个像素的信息，而不是整个Julia集的分块信息。

另外，你已经在pixel矩阵里正确记录了每个坐标的逃逸时间，r的使用逻辑完全错误：如果你的目标是把每个像素放大成100x100的块来生成高分辨率图像，应该在循环外初始化r为对应尺寸的矩阵，再在每个像素位置填充对应的块。

修正后的代码 #

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

def julia(C):
    X = np.arange(-1.5, 1.5, 0.05)
    Y = np.arange(-1.5, 1.5, 0.05)
    pixel = np.zeros((len(Y), len(X)))
    # 初始化放大后的矩阵：每个像素对应100x100的块
    block_size = 100
    r = np.empty((len(Y)*block_size, len(X)*block_size))

    for x_iter, x in enumerate(X):
        for y_iter, y in enumerate(Y):
            z = x + 1j * y
            intensity = np.nan
            for n in range(1, 1024):
                if abs(z) > 2:
                    intensity = n
                    break
                z = z**2 + C
            pixel[y_iter, x_iter] = intensity
            # 填充当前像素对应的100x100块
            r[y_iter*block_size:(y_iter+1)*block_size, x_iter*block_size:(x_iter+1)*block_size] = intensity
    
    print("完整的放大矩阵（前几行）:\n", r[:5, :5])
    return pixel, r

# 调用函数
pixel, r_matrix = julia(-0.7 + 0.27015j)

如果你的目标只是生成Julia集的数值矩阵，完全可以去掉r相关的代码，直接使用pixel矩阵即可——它已经正确存储了每个坐标的逃逸时间。

问题2：保存图像白边、维度变化及归一化信息丢失 #

问题拆解与解决 #

1. 保存图像出现白边、维度异常

这是因为matplotlib的savefig默认会添加边距和空白区域，同时默认的figsize和dpi设置会改变原始像素矩阵的尺寸。解决方法是：

• 设置figsize匹配原始矩阵的宽高比例，结合dpi计算准确尺寸
• 保存时关闭边距，使用bbox_inches='tight'和pad_inches=0
• 直接使用plt.imshow显示矩阵时，关闭坐标轴

2. 归一化信息丢失

你的归一化代码没有处理pixel中的NaN值（未逃逸的点），而且使用np.uint16时需要确保保存的图像格式支持16位深度（比如PNG，JPG只支持8位）。另外，归一化时应该使用np.nanmin和np.nanmax来忽略NaN值，避免被NaN干扰计算。

修正后的代码 #

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

def julia(C):
    X = np.arange(-1.5, 1.5, 0.2)
    Y = np.arange(-1.5, 1.5, 0.2)
    pixel = np.zeros((len(Y), len(X)))
    for x_iter, x in enumerate(X):
        for y_iter, y in enumerate(Y):
            z = x + 1j * y
            intensity = np.nan
            for n in range(1, 1024):
                if abs(z) > 2:
                    intensity = n
                    break
                z = z**2 + C
            pixel[y_iter, x_iter] = intensity
    return pixel

# 生成Julia集矩阵
pixel = julia(-0.7 + 0.27015j)

# 处理归一化：忽略NaN值
min_val = np.nanmin(pixel)
max_val = np.nanmax(pixel)
# 将NaN值设为0（或你想要的颜色值，比如255）
pixel_normalized = np.where(np.isnan(pixel), 0, 255*(pixel - min_val)/(max_val - min_val)).astype(np.uint16)

# 保存图像，避免白边和尺寸变化
dpi = 100  # 可根据需求调整
height, width = pixel_normalized.shape
fig = plt.figure(figsize=(width/dpi, height/dpi), dpi=dpi)
ax = plt.Axes(fig, [0., 0., 1., 1.])
ax.set_axis_off()
fig.add_axes(ax)
ax.imshow(pixel_normalized, cmap='viridis')  # 选择合适的配色

# 保存为16位PNG（支持uint16）
plt.savefig('julia_set.png', dpi=dpi, bbox_inches='tight', pad_inches=0, format='png')
plt.close()

# 读取验证
img = Image.open('julia_set.png')
print("读取的图像尺寸:", img.size)
print("图像模式:", img.mode)  # 应为'I;16'表示16位灰度图

关键说明 #

• 保存时使用format='png'是因为PNG支持16位深度，若用JPG会自动转成8位导致信息丢失
• 若不需要16位深度，将astype(np.uint16)改为astype(np.uint8)即可，同时保存格式可以选JPG
• 读取后的图像尺寸会和原始pixel矩阵的尺寸完全匹配

内容的提问来源于stack exchange，提问作者Daniel L