python数字图像处理以及绘图

king52113141314

已于 2022-08-26 15:14:05 修改

阅读量3.5k

点赞数 1

分类专栏：机器学习入门文章标签： python matlab 图像处理

于 2020-09-02 17:31:49 首次发布

本文链接：https://blog.csdn.net/king52113141314/article/details/108366528

版权

机器学习入门专栏收录该内容

45 篇文章 6 订阅

订阅专栏

1, subplot的使用

matlab中的用法: subplot（m,n,p）或者subplot（m n p）

subplot是将多个图画到一个平面上的工具。其中，m和n代表在一个图像窗口中显示m行n列个图像，也就是整个figure中有n个图是排成一行的，一共m行，后面的p代表现在选定第p个图像区域，即在第p个区域作图。如果m=2就是表示2行图。p表示图所在的位置，p=1表示从左到右从上到下的第一个位置。

'''
注:ezplot（f，[-3,3])，表示画f函数的图形，取值区间在[-3,3]
代码如下：
'''
subplot(2,2,[1,2])
ezplot('sin',[-1,1])
grid minor
subplot(2,2,3)
ezplot('x',[-3,3])
subplot(2,2,4)
ezplot('x.^3',[-3,3])
grid

matplotlib 中的subplot的用法: subplot(numRows, numCols, plotNum)

python Matplotlib 可视化总结归纳（二）绘制多个图像单独显示&多个函数绘制于一张图_haikuotiankong7的博客-CSDN博客_python的plot画多张图

Matplotlib的子图subplot的使用Matplotlib的子图subplot的使用 - 简书

matplotlib 中的subplot的用法matplotlib 中的subplot的用法 - 学弟1 - 博客园

import matplotlib.pyplot as plt
import numpy as np
 
def f(t):
    return np.exp(-t) * np.cos(2 * np.pi * t)
 
if __name__ == '__main__' :
    t1 = np.arange(0, 5, 0.1)
    t2 = np.arange(0, 5, 0.02)
 
    plt.figure(12)
    plt.subplot(221)
    plt.plot(t1, f(t1), 'bo', t2, f(t2), 'r--')
 
    plt.subplot(222)
    plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
 
    plt.subplot(212)
    plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
 
    plt.show()

2,颜色反转Grayscale conversion和cmap的取值

plt.imshow(data, cmap='Greens')  #cmap是colormap的简称，用于指定渐变色，默认的值为viridis, 在matplotlib中，内置了一系列的渐变色.

"""
==================
Colormap reference:https://matplotlib.org/examples/color/colormaps_reference.html
==================

Reference for colormaps included with Matplotlib.

This reference example shows all colormaps included with Matplotlib. Note that
any colormap listed here can be reversed by appending "_r" (e.g., "pink_r").
These colormaps are divided into the following categories:

Sequential:
    These colormaps are approximately monochromatic colormaps varying smoothly
    between two color tones---usually from low saturation (e.g. white) to high
    saturation (e.g. a bright blue). Sequential colormaps are ideal for
    representing most scientific data since they show a clear progression from
    low-to-high values.

Diverging:
    These colormaps have a median value (usually light in color) and vary
    smoothly to two different color tones at high and low values. Diverging
    colormaps are ideal when your data has a median value that is significant
    (e.g.  0, such that positive and negative values are represented by
    different colors of the colormap).

Qualitative:
    These colormaps vary rapidly in color. Qualitative colormaps are useful for
    choosing a set of discrete colors. For example::

        color_list = plt.cm.Set3(np.linspace(0, 1, 12))

    gives a list of RGB colors that are good for plotting a series of lines on
    a dark background.

Miscellaneous:
    Colormaps that don't fit into the categories above.

"""
import numpy as np
import matplotlib.pyplot as plt


# Have colormaps separated into categories:
# http://matplotlib.org/examples/color/colormaps_reference.html
cmaps = [('Perceptually Uniform Sequential', [
            'viridis', 'plasma', 'inferno', 'magma']),
         ('Sequential', [
            'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
            'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
            'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']),
         ('Sequential (2)', [
            'binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink',
            'spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia',
            'hot', 'afmhot', 'gist_heat', 'copper']),
         ('Diverging', [
            'PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu',
            'RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']),
         ('Qualitative', [
            'Pastel1', 'Pastel2', 'Paired', 'Accent',
            'Dark2', 'Set1', 'Set2', 'Set3',
            'tab10', 'tab20', 'tab20b', 'tab20c']),
         ('Miscellaneous', [
            'flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern',
            'gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg', 'hsv',
            'gist_rainbow', 'rainbow', 'jet', 'nipy_spectral', 'gist_ncar'])]


nrows = max(len(cmap_list) for cmap_category, cmap_list in cmaps)
gradient = np.linspace(0, 1, 256)
gradient = np.vstack((gradient, gradient))


def plot_color_gradients(cmap_category, cmap_list, nrows):
    fig, axes = plt.subplots(nrows=nrows)
    fig.subplots_adjust(top=0.95, bottom=0.01, left=0.2, right=0.99)
    axes[0].set_title(cmap_category + ' colormaps', fontsize=14)

    for ax, name in zip(axes, cmap_list):
        ax.imshow(gradient, aspect='auto', cmap=plt.get_cmap(name))
        pos = list(ax.get_position().bounds)
        x_text = pos[0] - 0.01
        y_text = pos[1] + pos[3]/2.
        fig.text(x_text, y_text, name, va='center', ha='right', fontsize=10)

    # Turn off *all* ticks & spines, not just the ones with colormaps.
    for ax in axes:
        ax.set_axis_off()


for cmap_category, cmap_list in cmaps:
    plot_color_gradients(cmap_category, cmap_list, nrows)

plt.show()

Sequential colormaps

在这里插入图片描述

下面第一幅是用Greys, 第二幅是用Greys_r :

3,matplotlib.pyplot.axis()用法

axis()的用法 axis()的用法 - 白羊呼啦 - 博客园

axis函数的使用(equal,ij,xy,tight,off,fill,normal.....)_蝉之洞-CSDN博客

matplotlib.pyplot.axis() matplotlib.pyplot.axis()与matplotlib.pyplot.axes()结构及用法_漫步量化-CSDN博客

4,matplotlib中的plt.figure()、plt.subplot()、plt.subplots()、add_subplots以及add_axes的使用

注意:subplot和subplots的区别

matplotlib中的plt.figure()、plt.subplot()、plt.subplots()、add_subplots以及add_axes的使用_小C的博客-CSDN博客

python3_matplotlib_figure()函数解析python3_matplotlib_figure()函数解析_也许有一天我们再相逢睁开眼睛看清楚我才是英雄！-CSDN博客

python中关于matplotlib库的figure,add_subplot,subplot,subplots函数python中关于matplotlib库的figure,add_subplot,subplot,subplots函数_墨羽羔羊的博客-CSDN博客_figure.add_subplot

5,python3，matplotlib绘图，title、xlabel、ylabel、图例等出现中文乱码

python3，matplotlib绘图，title、xlabel、ylabel、图例等出现中文乱码_why-csdn的博客-CSDN博客

在Windows系统找到中文字体添加进去就可以,只有部分字体能够右键查看他们的属性:C:\Windows\Fonts

'''
      常用字体对应路径

宋体常规     C:\Windows\Fonts\simsun.ttc
新宋体常规   C:\Windows\Fonts\simsun.ttc
‪黑体常规     C:\Windows\Fonts\simhei.ttf
‪楷体常规     C:\Windows\Fonts\simkai.ttf
仿宋常规     ‪C:\Windows\Fonts\simfang.ttf
‪隶体常规     ‪C:\Windows\Fonts\SIMLI.TTF
‪华文新魏     C:\Windows\Fonts\STXINWEI.TTF
'''
'''
%matplotlib inline 可以在Ipython编译器里直接使用，功能是可以内嵌绘图，并且可以省略掉plt.show()这一步。
但在spyder用会报错. 经过我的的验证该句在spyder下的Ipython也没有任何作用,因为在spyder下的Ipython会自动输出图像
'''
%matplotlib inline 
import matplotlib # 注意这个也要import一次
import matplotlib.pyplot as plt


#from matplotlib.font_manager import FontProperties
#font_set = FontProperties(fname=r"c:/windows/fonts/simsun.ttc", size=15)
'''
路径中的双引号和单引号都可以,斜杠和反斜杠也都可以
另外说明：因python3默认使用中unicode编码, 所以在写代码时不再需要写 plt.xlabel(u'横')，而是直接写plt.xlabel('横')
'''
#myfont = matplotlib.font_manager.FontProperties(fname=r"C:\Windows\Fonts\STXINWEI.TTF") # fname指定字体文件  选简体显示中文
myfont = matplotlib.font_manager.FontProperties(fname=r'C:\Windows\Fonts\simkai.ttf', size=15)
plt.plot((1,2,3),(4,3,-1))
plt.xlabel('横', fontproperties=myfont) # 这一段
plt.ylabel('纵', fontproperties=myfont) # 这一段
#plt.show() # 有了%matplotlib inline 就可以省掉plt.show()了

'''
也可以不使用matplotlib.font_manager.FontProperties语句导入字体,直接使用fontproperties='SimHei',matplotlib可以自己找到部分字体,但找不全
'''
plt.plot((1,2,3),(4,3,-1))
plt.xlabel(u'横坐标', fontproperties='STXINWEI') #新魏字体
plt.ylabel(u'纵坐标', fontproperties='SimHei') # 黑体

在python图像处理过程中，遇到的RGB图像的值是处于0-255之间的，为了更好的处理图像，通常python提供的读取图片函数默认都会将图像值转变到0-1之间.

float,float32,float64这三个数据类型的范围都是 [0.0, 1.0] or [-1.0, 1.0] :Module: util — skimage v0.18.0 docs

10,scipy.misc.bytescale的替代方案

scipy.misc.bytescale的替代函数代码scipy.misc.bytescale.py-机器学习文档类资源-CSDN下载

skimage.util.img_as_ubyte is a replacement for scipy.misc.bytescale

the scipy.misc.bytescale doc states the following:

Byte scaling means converting the input image to uint8 dtype and scaling the range to (low, high) (default 0-255). If the input image already has dtype uint8, no scaling is done.

the skimage.util.img_as_ubyte doc states the following:

Convert an image to 8-bit unsigned integer format. Negative input values will be clipped. Positive values are scaled between 0 and 255.

python - What replaces scipy.misc.bytescale? - Stack Overflow

python - Alternatives to Scipy's misc bytescale method - Stack Overflow

11,`matplotlib.pyplot.imread函数返回值`

matplotlib.pyplot.imread — Matplotlib 3.1.2 documentation

Returns:

Returns:	imagedata : `numpy.array` The image data. The returned array has shape (M, N) for grayscale images. (M, N, 3) for RGB images. (M, N, 4) for RGBA images. (red, green, blue, alpha) floats in the range 0-1

imagedata : numpy.array

The image data. The returned array has shape

(M, N) for grayscale images.
(M, N, 3) for RGB images.
(M, N, 4) for RGBA images. (red, green, blue, alpha) floats in the range 0-1

12,用python将图像转换为三维数组

RGB images are usually stored as 3 dimensional arrays of 8-bit unsigned integers. The shape of the array is:
height x width x 3. 这和分辨率(1920×1080)恰相反

用python将图像转换为三维数组之后，每一维，每个元素值都代表着什么？用python将图像转换为三维数组之后，每一维，每个元素值都代表着什么？_向东的笔记本-CSDN博客

13, Creating Image with numpy

在线拾色器-输入RGB值输出颜色在线拾色器 - W3Cschool

Image processing with numpy

14,numpy之histogram,plt.bar()与plt.barh条形图

numpy之histogram_Nicola.Zhang-CSDN博客

plt.bar()与plt.barh条形图 4.4Python数据处理篇之Matplotlib系列(四)---plt.bar()与plt.barh条形图 - 梦并不遥远 - 博客园

numpy.histogram(a, bins=10, range=None, normed=False, weights=None, density=None)[source]

Returns:
hist : array

The values of the histogram. See density and weights for a description of the possible semantics.

bin_edges : array of dtype float

Return the bin edges (length(hist)+1)

Returns:	hist : array The values of the histogram. See density and weights for a description of the possible semantics. bin_edges : array of dtype float Return the bin edges `(length(hist)+1)`

a是待统计数据的数组；
bins指定统计的区间个数；
range是一个长度为2的元组，表示统计范围的最小值和最大值，默认值None，表示范围由数据的范围决定
weights为数组的每个元素指定了权值,histogram()会对区间中数组所对应的权值进行求和
density为True时，返回每个区间的概率密度；为False，返回每个区间中元素的个数

import numpy as np
import matplotlib.pyplot as plt

a = np.random.rand(100)
np.histogram(a,bins=5,range=(0,1))
dct_hist, dct_bin_edges = np.histogram(a,bins=5,range=(0,1))
img_hist, img_bin_edges = np.histogram(a,bins=[0,0.2,0.5,0.8,1])

f, (plt1, plt2) = plt.subplots(1, 2, figsize=(15, 5))

plt1.set_title('Frequency histogram')
plt1.bar(dct_bin_edges[:-1], dct_hist, width = 0.1)#注意dct_bin_edges的数据比dct_hist数据多一个,因此要去除一个数据才能画图

plt2.set_title('Spatial histogram')
plt2.bar(img_bin_edges[1:], img_hist, width = 0.1)

#输出
In [75]: np.histogram(a,bins=5,range=(0,1))
Out[75]: 
(array([18, 19, 13, 24, 26], dtype=int64),#注意bin_edges的数据比hist数据多一个,即the bin edges (length(hist)+1)
 array([0. , 0.2, 0.4, 0.6, 0.8, 1. ]))   #18表示a中有18个数落在[0,0.2]区间,19个数落在[0.2,0.4]区间

In [76]: np.histogram(a,bins=[0,0.2,0.5,0.8,1])
Out[76]: (array([18, 26, 30, 26], dtype=int64), array([0. , 0.2, 0.5, 0.8, 1. ]))

15,Python中[ : n]、[m : ]、[-1]、[:-1]、[::-1]、[2::-1]和[1:]的含义

Python中[ : n]、[m : ]、[-1]、[:-1]、[::-1]、[2::-1]和[1:]的含义_SpringRolls的博客-CSDN博客_python是什么意思

Python中双冒号的作用[::]

Python sequence slice addresses can be written as a[start:end:step] and any of start, stop or end can be dropped.

Python序列切片地址可以写为[开始：结束：步长]，其中的开始和结束可以省略

16，Python数据可视化（一）：散点图绘制

Python数据可视化（一）：散点图绘制 - 简书

Custom a Matplotlib Scatterplot

17，颜色，线条，标志形状

matplotlib横坐标从大到小_Python数据分析：Matplotlib_weixin_39958631的博客-CSDN博客

matplotlib.pyplot.plot — Matplotlib 3.4.3 documentation

18，画子图

https://www.jb51.net/article/254132.htm

最全Python绘制多子图总结 - 知乎

一次性掌握所有 Python 画图基础操作_Gene_INNOCENT的博客-CSDN博客_python画图

Python图像绘制基础——子图绘制_银河初升的博客-CSDN博客_python 子图

import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from matplotlib import style

style.use('ggplot')  # 加载'ggplot'风格
matplotlib.rcParams['text.usetex'] = True  # 开启Latex风格
plt.figure(figsize=(10, 10), dpi=70)  # 设置图像大小
f, ax = plt.subplots(2, 2)  # 设置子图


def func1():
    X = np.linspace(0, 1, 100)
    Y1 = np.sqrt(X)
    # ax[0][0]的设置
    ax[0][0].plot(X, Y1, color="lightcoral", linewidth=3.0, linestyle="-", label=r"$y_1=\sqrt{x}$")
    ax[0][0].set_xlabel('x', fontsize=10)
    ax[0][0].set_ylabel('y', fontsize=10)
    ax[0][0].set_title(r'$f(x)=\sqrt{x}$', fontsize=16)
    ax[0][0].legend(loc="best")

    # ax[0][0]关键点
    ax[0][0].scatter(0.5, np.sqrt(0.5), s=100)
    ax[0][0].annotate("End Point",
                      xy=(0.6, 0.5),
                      fontsize=12,
                      xycoords="data")


def func2():
    X = np.linspace(0, 1, 100)
    Y2 = X
    # ax[0][1]的设置
    ax[0][1].plot(X, Y2, color="burlywood", linewidth=3.0, linestyle="--", label=r"$y_2=x$")
    ax[0][1].set_xlabel('x', fontsize=10)
    ax[0][1].set_ylabel('y', fontsize=10)
    ax[0][1].set_title(r'$f(x)=x$', fontsize=16)
    ax[0][1].legend(loc="best")

    # ax[0][1]关键点
    ax[0][1].scatter(0.5, 0.5, s=100)
    ax[0][1].annotate("End Point",
                      fontsize=12,
                      xytext=(0.7, 0.1),
                      xy=(0.5, 0.5),
                      xycoords="data",
                      arrowprops=dict(facecolor='gray', shrink=0.15))


def func3():
    X = np.linspace(0, 1, 100)
    Y3 = X * X
    # ax[1][0]的设置
    ax[1][0].plot(X, Y3, color="mediumturquoise", linewidth=3.0, linestyle="-.", label=r"$y_3=x^2$")
    ax[1][0].set_xlabel('x', fontsize=10)
    ax[1][0].set_ylabel('y', fontsize=10)
    ax[1][0].set_title(r'$f(x)=x^2$', fontsize=16)
    ax[1][0].legend(loc="best")

    # ax[1][0]关键点
    ax[1][0].scatter(0.5, 0.5 * 0.5, s=100)
    ax[1][0].annotate("End Point",
                      fontsize=12,
                      xytext=(0.05, 0.6),
                      xy=(0.5, 0.5 * 0.5),
                      xycoords="data",
                      arrowprops=dict(facecolor='black', shrink=0.1))


def func4():
    X = np.linspace(0, 1, 100)
    Y4 = X * X * X
    # ax[1][1]的设置
    ax[1][1].plot(X, Y4, color="mediumpurple", linewidth=3.0, linestyle=":", label=r"$y_4=x^3$")
    ax[1][1].set_xlabel('x', fontsize=10)
    ax[1][1].set_ylabel('y', fontsize=10)
    ax[1][1].set_title(r'$f(x)=x^3$', fontsize=16)
    ax[1][1].legend(loc="best")

    # ax[1][1]关键点
    ax[1][1].scatter(0.5, 0.5 * 0.5 * 0.5, s=100)
    ax[1][1].annotate("End Point",
                      xy=(0.2, 0.3),
                      fontsize=12,
                      xycoords="data")


def main():
    func1()
    func2()
    func3()
    func4()

    plt.tight_layout()  # 当有多个子图时，可以使用该语句保证各子图标题不会重叠
    plt.savefig('myplot1.pdf', dpi=700)  # dpi 表示以高分辨率保存一个图片文件，pdf为文件格式，输出位图文件
    plt.show()


if __name__ == "__main__":
    main()


################也可以使用 plt.sca() 来定位子图，如下述例子：
f, ax = plt.subplots(2, 3, figsize=(15, 10)) # 声明 2 行 3 列的子图
f.suptitle("设置总标题", fontsize=18)

plt.sca(ax[0, 1]) # 定位到第 1 行第 2 列的子图
# 接下来直接使用 plt 画图即可

19，箱图

【迅速上手】Python 画图 —— 箱图与密度图_Gene_INNOCENT的博客-CSDN博客

20，基础知识

Python 各种画图_流浪猪头拯救地球的博客-CSDN博客_python画图

import matplotlib.pyplot as plt			# 导入模块

plt.style.use('ggplot')					# 设置图形的显示风格
fig=plt.figure(1)						# 新建一个 figure1
fig=plt.figure(figsize=(12,6.5),dpi=100,facecolor='w')
fig.patch.set_alpha(0.5)				# 设置透明度为 0.5
font1 = {'weight' : 60, 'size' : 10}	# 创建字体，设置字体粗细和大小
ax1.set_xlim(0,100)						# 设置 x 轴最大最小刻度
ax1.set_ylim(-0.1,0.1)					# 设置 y 轴最大最小刻度
plt.xlim(0,100)  						# 和上面效果一样
plt.ylim(-1,1)
ax1.set_xlabel('X name',font1)			# 设置 x 轴名字
ax1.set_ylabel('Y name',font1)			# 设置 y 轴名字
plt.xlabel('aaaaa')						# 设置 x 轴名字
plt.ylabel('aaaaa')						# 设置 y 轴名字
plt.grid(True)					 		# 增加格网
plt.grid(axis="y")						# 只显示横向格网
plt.grid(axis="x")						# 只显示纵向格网
ax=plt.gca()							# 获取当前axis,
fig=plt.gcf()							# 获取当前figures
plt.gca().set_aspect(1)					# 设置横纵坐标单位长度相等
plt.text(x,y,string)					# 在 x,y 处加入文字注释
plt.gca().set_xticklabels(labels, rotation=30, fontsize=16) # 指定在刻度上显示的内容
plt.xticks(ticks, labels, rotation=30, fontsize=15)   # 上面两句合起来
plt.legend(['Float'],ncol=1,prop=font1,frameon=False)	# 设置图例 列数、去掉边框、更改图例字体
plt.title('This is a Title')			# 图片标题
plt.show()								# 显示图片，没这行看不见图
plt.savefig(path, dpi=600)				# 保存图片，dpi可控制图片清晰度
plt.rcParams['font.sans-serif'] = ['SimHei']  	# 添加这条可以让图形显示中文
mpl.rcParams['axes.unicode_minus'] = False		# 添加这条可以让图形显示负号
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')				#设置图片的右边框和上边框为不显示
# 子图
ax1=plt.subplot(3,1,1)
ax1.scatter(time,data[:,1],s=5,color='blue',marker='o') # size, color, 标记
ax1=plt.subplot(3,1,2)
...
# 控制图片边缘的大小
plt.subplots_adjust(left=0, bottom=0, right=1, top=1，hspace=0.1,wspace=0.1)

# 设置坐标刻度朝向，暂未成功
plt.rcParams['xtick.direction'] = 'in'
ax = plt.gca()
ax.invert_xaxis() 
ax.invert_yaxis()

参考:

python数字图像处理 https://www.cnblogs.com/denny402/p/5121501.html

python skimage图像处理(一)python skimage图像处理(一) - 简书

用python简单处理图片（1）：打开\显示\保存图像用python简单处理图片（1）：打开\显示\保存图像 - denny402 - 博客园

「Matplotlib绘图详解」史上最全Matplotlib教程 - 知乎

Matplotlib 教程Matplotlib 教程 | 菜鸟教程

Matplotlib official tutorial https://matplotlib.org/tutorials/colors/colormaps.html

python之matplotlib绘图基础 python之matplotlib绘图基础 - tongqingliu - 博客园

king52113141314

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
python数字图像处理以及绘图

参考:python数字图像处理 https://www.cnblogs.com/denny402/p/5121501.htmlpython skimage图像处理(一)https://www.jianshu.com/p/f2e88197e81d用python简单处理图片（1）：打开\显示\保存图像https://www.cnblogs.com/denny402/p/5096001.html..................
复制链接

扫一扫