Matplotlib PatchCollection 分组移动旋转与 ROI 拟合最佳实践
数据小陈
结论:没有唯一“最佳软件”。如果必须在 Matplotlib 里做交互拟合 ROI,建议把每个 PatchCollection 看成一个“组”,为每组维护一个 Affine2D 局部变换和一个 pivot;全部模式就是对目标组批量执行相同的平移或旋转。不要直接改 Circle 的 center。如果重点是专业地提取数组数据,优先考虑 Fiji/ImageJ ROI Manager、napari 或 QuPath;需要嵌入 Python 工作流时,用 PyQt/PySide + Matplotlib 自定义更可控。
为什么这样安排
- PatchCollection 的显示由 transform 决定。直接改 patch 坐标会把几何数据和视图状态绑在一起,后续取 ROI 容易出错。
- 全部模式和单个模式的区别只在目标集合:
targets = groups if mode == 'all' else [active_group]。这样代码不必分成两套。 - pivot 用数据坐标保存。平移时 pivot 跟着移动;单独旋转围绕组 pivot,全部旋转围绕全局 pivot。旋转后如果还要继续单独旋转,建议用组中心重新计算 pivot。
- 事件里的
event.xdata/event.ydata是数据坐标;图像像素坐标要用ax.transData.inverted()或按 extent 换算,注意 origin 和 y 轴方向。
实现步骤
- 数据结构:每组保存
coll、local_affine、pivot、base_patches。初始coll.set_transform(local_affine + ax.transData)。 - 模式切换:用按键或工具栏维护
mode = 'single'或'all';命中测试用coll.contains(event)选择 active group。 - 拖拽:press 记录起始数据坐标;motion 计算 dx、dy;对 targets 执行
local_affine.translate(dx, dy),同步平移 pivot,再set_transform和draw_idle()。 - 旋转:对 targets 执行
local_affine.rotate_deg_around(px, py, angle);全部模式用全局 pivot,单独模式用组 pivot。若担心浮点累积误差,保存总角度和基准矩阵,每次由角度重建变换。 - 取 ROI 数组:拟合完成后把 patch 路径或中心点从数据坐标转到像素坐标,生成 mask 后用
img[mask]取像素;也可用matplotlib.path.Path.contains_points判断像素中心是否落在 patch 内。
核心代码骨架
from matplotlib import transforms
class PatchGroup:
def __init__(self, coll, pivot, ax):
self.coll = coll
self.pivot = [float(pivot[0]), float(pivot[1])]
self.affine = transforms.Affine2D()
self.ax = ax
self.coll.set_transform(self.affine + ax.transData)
def apply_translate(groups, dx, dy):
for g in groups:
g.affine.translate(dx, dy)
g.pivot[0] += dx
g.pivot[1] += dy
g.coll.set_transform(g.affine + g.ax.transData)
def apply_rotate(groups, deg, pivot):
px, py = pivot
for g in groups:
g.affine.rotate_deg_around(px, py, deg)
g.coll.set_transform(g.affine + g.ax.transData)
# 在 motion 回调中
# targets = groups if mode == 'all' else [active_group]
# apply_translate(targets, dx, dy)
# fig.canvas.draw_idle()
注意全部模式旋转后,组 pivot 会随变换改变;如果后续要单独旋转,使用变换后的组中心作为新 pivot,而不是一直用旧值。
专业软件建议
- Fiji/ImageJ:ROI Manager 适合多 ROI 选择、平移、旋转、保存和按 ROI 取像素值,显微图像工作流成熟。
- napari:Python 生态,适合 numpy 数组、交互标注和图层变换,便于后续写脚本。
- QuPath:适合病理全切片和大量 ROI 标注,但复杂多对象旋转不如专用标注工具直接。
- 若目标是工业视觉或高精度配准,考虑 HALCON、VisionPro 等商业库/软件;它们成本和授权较高。
- Matplotlib 更适合原型和受控交互,不建议把它当完整图像标注软件;生产环境建议把“数据模型、变换、渲染、ROI 采样”分层。
注意事项
- 每次 motion 不要重建 PatchCollection,也不要直接改 Circle.center;只改变换矩阵。
- 重绘用
draw_idle(),避免在事件里同步draw()。 - 图像坐标与数据坐标要统一:设置
imshow(..., extent=...)后,用同一套变换换算 ROI。 - 旋转角度用度数还是弧度要统一;
rotate_deg_around使用度数。 - 保存工程时记录每组的变换矩阵、pivot、角度和图像标定信息,而不是只存屏幕坐标。
备注:内容仅供参考。
