如何绘制区分witness来源的负数值彩图并将矩阵归一化至0-3？

核心思路 #

1. 追踪witness来源：不能仅存储较小的witness值，需同步记录该值来自witness1还是witness2，为后续颜色区分提供依据。
2. 归一化处理：将所有有效witness值线性缩放到0-3范围，保证可视化的一致性。
3. 颜色映射规则：
   • 来自witness1的负值：蓝色
   • 来自witness2的负值：黄色
   • 所有正值（无论来源）：白色

完整代码实现 #

import numpy as np
import matplotlib.pyplot as plt

# 1. 生成参数网格（100×100）
h_vals = np.linspace(0.03, 3, 100)
h0_vals = np.linspace(0.03, 3, 100)
# 初始化两个矩阵：存储最小witness值、存储值的来源（1=witness1，2=witness2）
min_witness = np.zeros((100, 100))
witness_source = np.zeros((100, 100), dtype=int)

# 2. 遍历参数组合（替换为你的实际计算逻辑）
for i, h in enumerate(h_vals):
    for j, h0 in enumerate(h0_vals):
        # --- 以下为示例逻辑，替换为你的真实计算步骤 ---
        # 步骤1：求解使差值/L=0的T值
        T_solved = 1.0  # 示例值，替换为你的求解结果
        # 步骤2：计算g0、gc、gs算子
        g0, gc, gs = 0.5, 0.3, 0.2  # 示例值，替换为你的计算结果
        # 步骤3：计算witness1和witness2
        witness1 = np.random.randn()  # 示例值，替换为你的计算结果
        witness2 = np.random.randn()  # 示例值，替换为你的计算结果
        # --- 计算逻辑结束 ---
        
        # 记录最小witness值及其来源
        if abs(witness1) < abs(witness2):
            min_witness[i, j] = witness1
            witness_source[i, j] = 1
        else:
            min_witness[i, j] = witness2
            witness_source[i, j] = 2

# 3. 将witness值归一化到0-3范围
valid_vals = min_witness[~np.isnan(min_witness)]
if len(valid_vals) == 0:
    raise ValueError("未获取到有效witness值")
norm_min, norm_max = valid_vals.min(), valid_vals.max()
normalized_witness = 3 * (min_witness - norm_min) / (norm_max - norm_min)

# 4. 生成颜色矩阵（RGB格式）
color_matrix = np.ones((100, 100, 3))  # 默认白色（正值）
# 标记witness1的负值为蓝色
w1_neg_mask = (witness_source == 1) & (min_witness < 0)
color_matrix[w1_neg_mask] = [0, 0, 1]
# 标记witness2的负值为黄色
w2_neg_mask = (witness_source == 2) & (min_witness < 0)
color_matrix[w2_neg_mask] = [1, 1, 0]

# 5. 可视化结果
plt.figure(figsize=(8, 8))
plt.imshow(color_matrix, extent=[0.03, 3, 0.03, 3], origin='lower')
plt.xlabel('h0')
plt.ylabel('h')
plt.title('Witness Visualization')
plt.colorbar(label='Normalized Witness Value (0-3)')
plt.show()

关键细节说明 #

• 来源追踪：witness_source矩阵是区分颜色的核心，必须和min_witness矩阵同步更新，不能仅存储数值。
• 归一化逻辑：基于所有有效witness值的极值做缩放，避免单个极端值破坏整体可视化效果；若计算中存在NaN值，需提前过滤。
• 颜色调整：可通过修改RGB值调整颜色深浅，比如深蓝色用[0,0,0.8]，浅黄色用[1,1,0.5]。

内容的提问来源于stack exchange，提问作者user18624758