1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
| import numpy as np
import tonic.transforms as transforms
def plot_event_grid(events, axis_array=(1, 3), plot_frame_number=False):
"""Plot events accumulated as frames equal to the product of axes for visual inspection.
Parameters:
events: Structured numpy array of shape [num_events, num_event_channels].
事件流，numpy数组
axis_array: dimensions of plotting grid. The larger the grid,
the more fine-grained the events will be sliced in time.
将事件流，绘制成帧，并用网格形式表示出来，此处可设定帧的数量，以axis_array=(2,3)为例，则帧的数量为2*3=6，以2行3列的网格显示出 来
plot_frame_number: optional index of frame when plotting
绘图时帧的可选索引
Example:
>>> import tonic
>>> dataset = tonic.datasets.NMNIST(save_to='./data')
>>> events, target = dataset[100]
>>> tonic.utils.plot_event_grid(events)
Returns:
None
"""
try:
import matplotlib.pyplot as plt
except ImportError:
raise ImportError(
"Please install the matplotlib package to plot events. This is an optional"
" dependency."
)
# 事件流events是一个numpy列表，其中dtype为 [('x', '<i8'), ('y', '<i8'), ('t', '<i8'), ('p', '<i8')]
# events.dtype.names 为 ('x', 'y', 't', 'p') 表示一个事件的坐标x,y（像素坐标系） 时间辍，极性
if "y" in events.dtype.names:
# 得到了 events 事件流中事件在像素坐标系中横坐标与纵坐标的最大值，用于绘制帧的尺寸
sensor_size_x = int(events["x"].max() + 1)
sensor_size_y = int(events["y"].max() + 1)
# np.unique(events["p"]) 对于一个以为列表或者数组，去除重复元素,并按照元素从小到大返回一个新的列表或者元组
# 此处得到了，事件有机种极性，也代表着之后的事件帧有几个通道
sensor_size_p = len(np.unique(events["p"]))
# 此处为帧的尺寸，长、宽、通道数
sensor_size = (sensor_size_x, sensor_size_y, sensor_size_p)
# 将事件转化为事件帧，sensor_size为事件帧的尺寸，n_time_bins为按照时间箱得到固定的帧数
# np.product(axis_array) 返回数组或者元组 axis_array中元素的乘积。即时间流通过切片方式得到的事件帧的数量
transform = transforms.ToFrame(
sensor_size=sensor_size, n_time_bins=np.product(axis_array)
)
# 将事件流转化为事件帧
frames = transform(events)
# *axis_array在python中表示 将数组或者元组解开成几个独立的参数，传入函数，如axis_array=(2,3),则*axis_array = 2 3
# plt.subplots(m,n) 绘制 m*n个子图，字图在一个大图中以m行n列的方式显示
# 函数的返回值是一个元组，包括一个图形对象和所有的 axes_array 对象。
# 其中 axes_array 对象（含所有子图的一个数组）的数量等于 nrows * ncols，且每个 axes_array 对象均可通过索引值访问
# fig 的类型就是一个大的画布，所有子图均显示在上面（<class 'matplotlib.figure.Figure'>）
fig, axes_array = plt.subplots(*axis_array)
if 1 in axis_array:
axes_array = axes_array.reshape(1, -1)
for i in range(axis_array[0]):
for j in range(axis_array[1]):
# 按照索引得到一帧图像
frame = frames[i * axis_array[1] + j]
# 将事件帧的两个通道的像素值进行作差---并在子图中显示出来，可以简单的看出事件相机在录制数据时的移动方向
axes_array[i, j].imshow(frame[1] - frame[0])
# 关闭子图中所有坐标轴线、刻度标记和标签
axes_array[i, j].axis("off")
# 是否给每张子图设置一个标题 title
if plot_frame_number:
axes_array[i, j].title.set_text(str(i * axis_array[1] + j))
# 自动调整子图参数，使之填充整个图像区域
plt.tight_layout()
# 显示所有的figure，这是必要的，若没有则会出现，只出现一张子图的情况
plt.show()
else:
sensor_size_x = int(events["x"].max() + 1)
frame_transform = transforms.ToFrame(
sensor_size=(sensor_size_x, 1, 1), n_time_bins=sensor_size_x * 2
)
frames = frame_transform(events)
plt.imshow(frames.squeeze().T)
plt.xlabel("Time")
plt.ylabel("Channels")
|
