本文介绍了如何使用格拉姆角差场(Gramian Angular Difference Field, GADF)技术将一维时序信号转换为图像，并构建适用于深度学习模型的图像数据集。

1. 什么是格拉姆角场(GAF)？

格拉姆角场(Gramian Angular Field)是一种将时间序列数据转换为图像表示的技术，它通过将时间序列编码到极坐标系统中，然后计算角度和的余弦或正弦值来生成图像。这种方法能够保留时间序列的时序依赖性和相关性。

GAF主要有两种变体：

• GASF(Gramian Angular Summation Fields)：使用余弦函数

• GADF(Gramian Angular Difference Fields)：使用正弦函数

本文重点介绍GADF的实现和应用。

2. 环境配置与依赖库

在开始之前，确保安装了以下Python库：

pip install torch pyts pillow matplotlib numpy scikit-learn joblib

3. 完整代码实现

以下是使用GADF将一维信号转换为图像的完整代码：

import os
import matplotlib.pyplot as plt
import torch
from pyts.image import GramianAngularField
import numpy as np
from PIL import Image
import warnings
from matplotlib import MatplotlibDeprecationWarning

# 忽略警告信息
warnings.filterwarnings("ignore", category=MatplotlibDeprecationWarning)

def makeTimeFrequencyImage(data, img_path, img_size):
    """
    生成GADF时频图像
    
    参数:
    data: 一维时序数据
    img_path: 图像保存路径
    img_size: 图像尺寸
    """
    data = np.array(data)
    # 创建Gramian Angular Field对象，使用difference方法(GADF)
    gaf = GramianAngularField(image_size=1024, method='difference')
    # 将时序数据转换为GAF图像
    gaf_image = gaf.fit_transform(data.reshape(1, -1))

    # 生成图像
    plt.imshow(gaf_image[0], cmap='jet', origin='lower')
    plt.axis('off')  # 设置图像坐标轴不可见
    plt.subplots_adjust(top=1, bottom=0, right=1, left=0, hspace=0, wspace=0)
    plt.margins(0, 0)
    plt.gcf().set_size_inches(img_size / 100, img_size / 100)
    plt.savefig(img_path, dpi=100)
    plt.clf()  # 清除当前图形，避免内存溢出
    plt.close()  # 释放内存

def GenerateImageDataset(path_list, data_set):
    """
    生成图像数据集
    
    参数:
    path_list: 图像保存路径列表
    data_set: 数据集列表
    """
    # 遍历数据集和对应目录
    for index in range(len(data_set)):
        dataset = data_set[index]
        # 更改列名（注意：类型名称中不要出现'_'符号）
        dataset.columns = ['denormal', 'de7inner', 'de7ball', 'de7outer', 'de14inner',
                           'de14ball', 'de14outer', 'de21inner', 'de21ball', 'de21outer']

        path = path_list[index]
        # 遍历数据集每一列
        for column_name, column_data in dataset.items():
            # 行名计数器，对应每个数据名称
            count = 1
            # 遍历数据列每一行，生成对应的时频图像
            for row_data in dataset[column_name]:
                # 图片名称和路径
                img_path = path + column_name + '_' + str(count) + '.png'
                # 生成时频图像
                makeTimeFrequencyImage(row_data, img_path, 224)
                # 图片名称+1
                count += 1

def ConvertRGB(path_list):
    """
    将4通道图像转换为3通道RGB图像
    
    参数:
    path_list: 图像路径列表
    """
    for path in path_list:
        all_images = os.listdir(path)
        for image in all_images:
            if image.endswith('.png'):
                image_path = os.path.join(path, image)
                img = Image.open(image_path)
                # 4通道转化为RGB三通道
                img = img.convert("RGB")
                img.save(os.path.join(path, image))

if __name__ == '__main__':
    # 参数与配置
    torch.manual_seed(100)  # 设置随机种子，使实验结果可重复

    # 导入数据
    from joblib import dump, load
    
    # 加载数据集（假设已经预处理好的数据集）
    train_set = load('train_set')
    val_set = load('val_set')
    test_set = load('test_set')
    
    data_set = [train_set, val_set, test_set]

    # 数据集路径
    train_path = 'GADFImages/train/'
    val_path = 'GADFImages/val/'
    test_path = 'GADFImages/test/'
    
    # 创建目录（如果不存在）
    os.makedirs(train_path, exist_ok=True)
    os.makedirs(val_path, exist_ok=True)
    os.makedirs(test_path, exist_ok=True)
    
    path_list = [train_path, val_path, test_path]

    # 第一步：生成图像
    GenerateImageDataset(path_list, data_set)
    
    # 第二步：转换为RGB格式
    ConvertRGB(path_list)
    
    print("图像数据集生成完成！")

4. 代码解析与关键点

4.1 GADF图像生成核心函数

makeTimeFrequencyImage函数是核心实现，其中：

• GramianAngularField(image_size=1024, method='difference')创建GADF转换器

• image_size参数决定输出图像的分辨率

• method='difference'指定使用GADF方法（区别于summation的GASF方法）

• cmap='jet'使用jet色彩映射，增强图像的特征可视化