Matplotlib批量生成千张2K分辨率图片速度过慢，求优化方案

问题描述 #

我希望在合理时间内生成1000张以上2K分辨率的图片，但目前用Matplotlib生成1000张图片需耗时2-3小时，想知道有没有优化Matplotlib的方法。

原始代码 #

data = file.read()
iter = np.linspace(0,5000,5000).astype(int)
hillshade = es.hillshade(data, azimuth=180, altitude=1)
x_colormap = ListedColormap(newcolors)
t = 0
for j in iter:
    data[data < j] = data.max()
    fig, ax = plt.subplots()
    fig.set_size_inches(6, 5)
    plt.imshow(data, cmap=x_colormap, norm=colors.LogNorm(1, data.max() - 1))
    ax.imshow(hillshade, cmap="Greens", alpha=0.2)
    ax.axis('off')
    plt.show()
    plt.savefig(r'path', dpi=1200, bbox_inches="tight", pad_inches=0.0)
    t = t + 1
    plt.close()

核心优化方案 #

• 删除交互式显示：直接去掉plt.show()，这一步会触发GUI渲染，是批量生成时的冗余操作，会大幅拖慢速度。
• 复用画布与轴对象：把fig, ax = plt.subplots()、fig.set_size_inches(6, 5)、ax.axis('off')移到循环外，循环内只更新图像内容，避免每次创建新画布的开销。
• 切换到非交互式后端：在代码开头添加plt.switch_backend('Agg')，跳过GUI相关的渲染逻辑，减少资源占用。
• 避免修改原始数据：循环中data[data < j] = data.max()会破坏原始数据，且每次修改数组开销大，改用临时数组：temp_data = np.where(data < j, data.max(), data)，直接基于原数据生成临时副本。
• 匹配2K分辨率的参数设置：当前dpi=1200+6x5英寸生成的是7200x6000像素的图，远超过2K（2560x1440）。直接设置fig.set_size_inches(2560/100, 1440/100)、dpi=100，精准生成2K图，避免不必要的高分辨率计算。
• 提前计算固定参数：colors.LogNorm(1, data.max() - 1)中data.max()是固定值，提前计算好norm = colors.LogNorm(1, data.max() - 1)，循环内直接复用。

优化后的代码示例 #

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import ListedColormap, LogNorm

# 切换到非交互式后端
plt.switch_backend('Agg')

data = file.read()
iter_arr = np.linspace(0,5000,5000).astype(int)
hillshade = es.hillshade(data, azimuth=180, altitude=1)
x_colormap = ListedColormap(newcolors)
# 提前计算固定参数
data_max = data.max()
norm = LogNorm(1, data_max - 1)

# 提前创建画布和轴，匹配2K分辨率
fig, ax = plt.subplots(figsize=(2560/100, 1440/100))
ax.axis('off')
# 先绘制固定的hillshade图层
ax.imshow(hillshade, cmap="Greens", alpha=0.2)
# 获取可更新的图像对象
im = ax.imshow(data, cmap=x_colormap, norm=norm)

for idx, j in enumerate(iter_arr):
    # 生成临时数据，不修改原始data
    temp_data = np.where(data < j, data_max, data)
    # 更新图像数据
    im.set_data(temp_data)
    # 保存图片，注意区分不同文件的路径
    plt.savefig(f'output_{idx}.png', dpi=100, bbox_inches="tight", pad_inches=0.0)

# 最后关闭画布释放资源
plt.close(fig)

额外提速建议 #

• 如果硬件支持，可尝试多进程并行生成图片（注意Matplotlib在多进程中需每个进程单独初始化后端），但要控制并发数量避免内存溢出。
• 对于简单的色彩映射和图层叠加，可改用PIL/Pillow直接处理数组生成图片，其速度通常比Matplotlib更快。

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