Glowing (neon) efekt w gnuplot

Question

Chcę odtworzyć ten efekt w gnuplot:

Jak mogę achive go? Jeśli nie można tego zrobić, jakie oprogramowanie mogę użyć do jego odtworzenia?

Answer 1

Korzystanie 2d jądro dla każdego piksela może być wykonana wewnątrz gnuplot. W ten sposób bardziej gęste akumulacje stają się jaśniejsze niż pojedyncze piksele. Sprawdź show palette rgbformulae i odpowiedni rozdział w pomocy, aby zmienić kolory.

set term wxt size 300,300 background rgb 0 
    set view map 
    set samp 140          
    set dgrid3d 180,180, gauss kdensity2d 0.2,0.2 
    set palette rgbform 4,4,3 
    splot "+" us 1:(sin($1/3)**2*20):(1) with pm3d notitle 

Answer 2

Ustaw czarne tło, a następnie narysuj swój zbiór danych kilka razy w różnych kolorach z malejącą wartością punktów.

set term wxt backgr rgb "black" 
    plot sin(x) w p pt 7 ps 2 lc rgb 0x00003f not, \ 
     sin(x) w p pt 7 ps 1.5 lc rgb 0x00007f not, \ 
     sin(x) w p pt 7 ps 1 lc rgb 0x0000af not, \ 
     sin(x) w p pt 7 ps .5 lc rgb 0x0000ff 

Alternatywnie, pewne kombinacje splot with pm3d, set dgrid3d gauss kdensity2d i set view map, w połączeniu z odpowiednim palecie można zastosować poniższe odpowiedź.

Answer 3

Zrzeczenie się odpowiedzialności: Można to zrobić za pomocą gnuplot zgodnie z instrukcją w tej odpowiedzi, ale prawdopodobnie powinieneś rozważyć inne narzędzie do narysowania tego konkretnego rodzaju wykresu.

Istnieje co najmniej jeden sposób, aby to zrobić, z preprocessing danych. Chodzi o to, aby naśladować efekt blasku za pomocą jądra Gaussa, aby posmarować punkty danych. Rozważmy następujące dane zawarte w pliku o nazwie data:

1 2 
1 2.1 
1.1 2.2 
2 3 
3 4 

mam celowo umieszczony pierwsze 3 punkty blisko siebie, aby móc zaobserwować wzmożony blask sąsiednimi punktami. Dane te wyglądają następująco:

Teraz rozmaz punkty danych przy użyciu 2D jądra Gaussa. Napisałem następujący kod Pythona, aby pomóc w tym. Kod zawiera granicę 4 odchyleń standardowych (sx i sy) wokół każdego punktu. Jeśli chcesz, aby blask był okręgiem, powinieneś wybrać odchylenia standardowe, aby stosunek sx/sy był taki sam jak stosunek długości osi x/y w gnuplot. W przeciwnym razie punkty będą wyglądały jak elipsy. Jest to kod:

import numpy as np 
import sys 

filename = str(sys.argv[1]) 
sx = float(sys.argv[2]) 
sy = float(sys.argv[3]) 

def f(x,y,x0,y0,sx,sy): 
    return np.exp(-(x-x0)**2/2./sx**2 -(y-y0)**2/2./sy**2) 

datafile = open(filename, 'r') 

data = [] 
for datapoint in datafile: 
    a, b = datapoint.split() 
    data.append([float(a),float(b)]) 

xmin = data[0][0] 
xmax = data[0][0] 
ymin = data[0][1] 
ymax = data[0][1] 
for i in range(1, len(data)): 
    if(data[i][0] < xmin): 
     xmin = data[i][0] 
    if(data[i][0] > xmax): 
     xmax = data[i][0] 
    if(data[i][1] < ymin): 
     ymin = data[i][1] 
    if(data[i][1] > ymax): 
     ymax = data[i][1] 

xmin -= 4.*sx 
xmax += 4.*sx 
ymin -= 4.*sy 
ymax += 4.*sy 

dx = (xmax - xmin)/250. 
dy = (ymax - ymin)/250. 

for i in np.arange(xmin,xmax+dx, dx): 
    for j in np.arange(ymin,ymax+dy, dy): 
     s = 0. 
     for k in range(0, len(data)): 
      d2 = (i - data[k][0])**2 + (j - data[k][1])**2 
      if(d2 < (4.*sx)**2 + (4.*sy)**2): 
       s += f(i,j,data[k][0],data[k][1],sx,sy) 
     print i, j, s 

Jest on stosowany w następujący sposób:

python script.py data sx sy 

gdzie script.py to nazwa pliku, w którym kod znajduje, data to nazwa pliku danych, a sx i sy są odchylenia standardowe.

Teraz, wracając do gnuplot, definiujemy paletę, która naśladuje świecący wzór. Dla pojedynczych punktów sumowany Gaussians daje 1 w pozycji punktu; dla nakładających się punktów daje wartości wyższe niż 1. Musisz to uwzględnić przy definiowaniu palety. Poniżej tylko przykład:

set cbrange [0:3] 
unset colorbox 
set palette defined (0 "black", 0.5 "blue", 0.75 "cyan", 1 "white", 3 "white") 
plot "< python script.py data 0.05 0.05" w image 

Widać, że punkty są rzeczywiście elipsy, ponieważ stosunek osi o długości nie jest taka sama, jak w przypadku standardowych odchyleń wzdłuż różnych kierunkach .To może być łatwo ustalony:

plot "< python script.py data 0.05 0.06" w image