如何在科研论文中画出漂亮的插图？

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达  

本文转自极市平台

方法一

作者|冯昱尧

https://www.zhihu.com/question/21664179/answer/18928725

强烈推荐 Python 的绘图模块 matplotlib: python plotting 。画出来的画真的是高端大气高档，低调奢华有内涵~ 适用于从 2D 到 3D，各种绘图从标量到矢量。能保存成从 eps, pdf 到 svg, png, jpg 多种格式。并且 Matplotlib 绘图函数基本与 Matlab 绘图函数名称相似，迁移学习成本相对较低。开源免费。如图所示(题目描述中的图在最后):
(引用以下图片Thumbnail gallery）

普通函数图像：

plt.fill(x, y1, 'b', x, y2, 'r', alpha=0.3) 

以及这种 Scatter 图(中文不知道怎么说。…）：

plt.scatter(x, y, s=area, alpha=0.5) 

精致的曲线，半透明的配色。展现你高贵冷艳的X格，最重要的是只需要一行代码就能搞定。从那以后，你再也不用忍了 Matlab以及GNUPlot 中那蛋痛配色。

想画 3D 数据？没问题 (不过用 mayavi 可能更方便):

ax.plot_surface(X, Y, Z, rstride=8, cstride=8, alpha=0.3) cset = ax.contourf(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm) cset = ax.contourf(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm) cset = ax.contourf(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm) 

你可以拥有四行代码(后三行是坐标平面上的等高线，严格的额度还是一行)。

另外，你是矢量场，网络还是什么奇妙的需求都可以做到：

plt.streamplot(X, Y, U, V, color=U, linewidth=2, cmap=plt.cm.autumn) plt.colorbar() 

plt.triplot(x, y, triangles, 'go-') plt.title('triplot of user-specified triangulation') plt.xlabel('Longitude (degrees)') plt.ylabel('Latitude (degrees)') 

ax = plt.subplot(111, polar=True) bars = ax.bar(theta, radii, width=width, bottom=0.0) 

这还没完，Matplotlib 还支持Latex插入公式，当别人画的图片还是这样的时候(引用以下图片)Matplotlib Tutorial(译)）

你可以这样做：

若再搭配 IPython 作为操作终端(这张图是自己的)~）：

简直就是神器，有木有！

心不如行动，还等什么？

经@许成同学提醒，再补充一句，matplotlib 还可以话 xkcd 风格的图呦~

(图片引用自网络)

此外结合 IPython Notebook 更多精彩内容，请看http://nbviewer.ipython.org/

如果安装麻烦，恰好是 Windows 可以在系统下尝试Python发行版winpython - Portable Scientific Python 2/3 32/64bit Distribution for Windows。

鉴于@van li同学质疑 matplotlib 我在这里用标题中的图像来画标题中显示的图像吗？ matplotlib 画出来如下：

代码在这里：

https://gist.github.com/coldfog/c479124328fc6bb8b789

代码在这里：

https://gist.github.com/coldfog/5da63a6958fc0a949b52

看到楼下有人说配色好看，唉...那我也贴几个吧...只不过当初限于篇幅没有写而已。

首先，python 有专门的配色包jiffyclub/brewer2mpl 路 GitHub，从艺术角度提供精致的配色(戳这里感受ColorBrewer: Color Advice for Maps）。

此外还有一些致力于美化绘图的库，用起来也都非常方便，比如olgabot/prettyplotlib 路 GitHub。

废话不多说，上图是王道。
(图片来源网络)

有些人可能会说它需要复杂的设置，但它不需要。例如，上图只需添加一个参数：

cmap=brewer2mpl.get_map('RdBu', 'diverging', 8, reverse=True).mpl_colormap, 

说到楼下的统计绘图。 seaborn (https://github.com/mwaskom/seaborn) 是一个调用 matplotlib 上图：

代码一行，后面几乎都是一行，没有其他设置，默认情况。我不会发布其他代码：

g = sns.jointplot(x1, x2, kind="kde", size=7, space=0) 

还有一幅比较酷的互动画，大家自己戳一下吧：

http://nbviewer.ipython.org/github/plotly/python-user-guidechaocc/blob/master/s0_getting-started/s0_getting-started.ipynb

哼哼，爆炸了~~~~\(≧▽≦)/~

---

遇到安装问题请尝试Anaconda这个Python发行版。下载安装后直接使用，几乎预装了所有科学计算和可视化库。

一些盆友在评论中说，他们希望有一个完整的教程。事实上，就这个答案而言，离实际使用还有很长的路要走，网上相关的中文资料也不多。然而，如果你真的想写这个答案，你就不能假装它。此外，在这个问题下写作也不是很合适。等到那天我有了专栏，我可以写一系列关于可视化的教程。

方法二

作者｜阿昆

https://www.zhihu.com/question/21664179/answer/1182984311

翻看这个问题下的所有答案，发现所有提到的答案Matlab其评价中常有锯齿、菜鸟、丑、不忍直视等标签。

然而，在解决了一些基本问题后，2020年一些基本问题得到解决时，Matlab还那么‘不堪’吗？

观察Mathematica、Origin、Python/matplotlib、R/ggplot二等软件绘制的数据和结果图与Matlab图的差异主要体现在点、线、面等对象属性（位置、尺寸、颜色等）的不同上。

既然只是属性的不同，只要修改这些信息，就能实现各种软件绘图风格的转换吗？

答案是肯定的。

例如，这是一个高赞的答案@冯昱尧用Python/matplotlib一幅画：

我们用Matlab默认属性绘制，效果如下(无误差棒)

然后，只需再修改一下位置、尺寸、颜色等信息，就可以得到风格差不多的图（没加误差棒）：

当我们用这一思想来思考该如何绘制插图时，就很容易实现自己的小想法，仿造甚至创造出理想的插图。

比如，某一天，发现傍晚的天空颜色很美，心想：为什么不能把它画到论文插图里呢？（见：Matlab论文插图配色2——自然渐变）

于是，

再比如，某一天，看到女朋友的照片，觉得很美，心想：为什么不能把她画到论文插图里呢？（见：Matlab论文插图配色1——是女朋友的颜色）

于是，

这时，有朋友就要说了：“哎呀答主，你整这些个花里花哨的东西，还不是得一行代码一行代码的敲出来啊，太麻烦了吧。”

此言差矣。

就像R有ggplot2，Python有matplotlib，Matlab其实也有很多现成的绘图工具包，并不需要你自己开发。

比如，

Pierre Morel [1] 结合ggplot2，开发了gramm工具，用于绘制复杂图形。

Inspired by ggplot2 (Wickham 2009), the R implementation of “grammar of graphics” principles (Wilkinson 1999), gramm improves Matlab’s plotting functionality, allowing to generate complex figures using high-level object-oriented code.

示例效果如下：

类似的，Stephen Cobeldick [2] 将matplotlib配色方案移植到了Matlab。

也就是说，在Matlab中就可以直接用matplotlib的配色方案了，就不必总是‘jet’了。

The MatPlotLib 2.0 default colormaps ported to MATLAB. This submission also includes the Line ColorOrder colormaps!

示例效果如下：

还有很多专门针对论文插图的工具包，这里就不一一介绍了。

总的来说，工具只是工具，它们并没有高低贵贱之分。

若想画出好看的插图，关键还是在于使用工具的人。

集中一点，登峰造极。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~