pythonmatplotlib制作图像_Matplotlib绘制图像

下面是使用Matplotlib绘制图像的简短教程。

启动命令

首先启动IPython。它是标准Python提示的最佳增强，它与Matplotlib特别相关。现在可以在shell或IPython Notebook上启动IPython。

随着IPython的启动，我们现在需要连接到GUI事件循环。这告诉IPython在哪里(以及如何)显示图。要连接到GUI循环，请在IPython提示符下执行%matplotlib magic。关于它在IPython的GUI事件循环文档中的确切内容有更详细的说明。

如果正在使用IPython Notebook，则可以使用相同的命令，但人们通常使用%matplotlib魔法的特定参数：

In [1]: %matplotlib inline

这将打开内联绘图，其中绘图图形将出现在笔记本中。这对交互性具有重要意义。对于内联绘图，输出绘图的单元格下方单元格中的命令不会影响绘图。例如，无法从创建绘图的单元格下方的单元格更改颜色贴图。但是，对于其他后端，例如Qt5，打开一个单独的窗口，创建绘图的下面的单元格将改变绘图 - 它是内存中的活动对象。

本教程将使用matplotlib的命令式绘图接口pyplot。该接口保持全局状态，对于快速轻松地试验各种绘图设置非常有用。另一种选择是面向对象的接口，它也非常强大，通常更适合大型应用程序开发。如果想了解面向对象的界面，一个很好的开始是学习使用指南。现在继续使用命令式方法：

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

将图像数据导入Numpy数组

Pillow库支持加载图像数据。在本机，Matplotlib仅支持PNG图像。如果本机读取失败，下面显示的命令将回退到Pillow。

此示例中使用的图像是PNG文件，但请记住您自己的数据的Pillow要求。

下面是要使用的图像：

它是一个24位RGB PNG图像(R，G，B各有8位)。根据获取数据的位置，最有可能遇到的其他类型的图像是RGBA图像，它们允许透明度，或单通道灰度(亮度)图像。您可以右键单击它并选择“将图像另存为”以将其下载到您的计算机以完成本教程的其余部分。

现在就开始操作了…

img = mpimg.imread('../../doc/_static/stinkbug.png')

print(img)

执行上面示例代码，得到以下结果 -

[[[0.40784314 0.40784314 0.40784314]

[0.40784314 0.40784314 0.40784314]

[0.40784314 0.40784314 0.40784314]

...

[0.42745098 0.42745098 0.42745098]

[0.42745098 0.42745098 0.42745098]

[0.42745098 0.42745098 0.42745098]]

[[0.4117647 0.4117647 0.4117647 ]

[0.4117647 0.4117647 0.4117647 ]

[0.4117647 0.4117647 0.4117647 ]

...

[0.42745098 0.42745098 0.42745098]

[0.42745098 0.42745098 0.42745098]

[0.42745098 0.42745098 0.42745098]]

[[0.41960785 0.41960785 0.41960785]

[0.41568628 0.41568628 0.41568628]

[0.41568628 0.41568628 0.41568628]

...

[0.43137255 0.43137255 0.43137255]

[0.43137255 0.43137255 0.43137255]

[0.43137255 0.43137255 0.43137255]]

...

[[0.4392157 0.4392157 0.4392157 ]

[0.43529412 0.43529412 0.43529412]

[0.43137255 0.43137255 0.43137255]

...

[0.45490196 0.45490196 0.45490196]

[0.4509804 0.4509804 0.4509804 ]

[0.4509804 0.4509804 0.4509804 ]]

[[0.44313726 0.44313726 0.44313726]

[0.44313726 0.44313726 0.44313726]

[0.4392157 0.4392157 0.4392157 ]

...

[0.4509804 0.4509804 0.4509804 ]

[0.44705883 0.44705883 0.44705883]

[0.44705883 0.44705883 0.44705883]]

[[0.44313726 0.44313726 0.44313726]

[0.4509804 0.4509804 0.4509804 ]

[0.4509804 0.4509804 0.4509804 ]

...

[0.44705883 0.44705883 0.44705883]

[0.44705883 0.44705883 0.44705883]

[0.44313726 0.44313726 0.44313726]]]

注意dtype - float32。Matplotlib已将每个通道的8位数据重新调整为0.0到1.0之间的浮点数据。Pillow可以使用的唯一数据类型是uint8。Matplotlib绘图可以处理float32和uint8，但是除PNG之外的任何格式的图像读/写都限于uint8数据。为什么8位？大多数显示器每个通道只能渲染8位颜色等级。为什么他们只能渲染8位/通道？因为那是人眼所能看到的。

每个内部列表代表一个像素。这里，对于RGB图像，有3个值。由于它是黑白图像，因此R，G和B都相似。RGBA(其中A是alpha或透明度)每个内部列表具有4个值，并且简单亮度图像仅具有一个值(因此仅是2-D阵列，而不是3-D阵列)。对于RGB和RGBA图像，matplotlib支持float32和uint8数据类型。对于灰度，matplotlib仅支持float32。如果您的阵列数据不符合这些描述之一，则需要重新调整它。

将numpy数组绘制为图像

将数据放在一个numpy数组中(通过导入或生成它)。在Matplotlib中，这是使用imshow()函数执行的。在这里，绘图对象提供了一种从提示中操作绘图的简便方法。

imgplot = plt.imshow(img)

将伪彩色方案应用于图像图

Pseudocolor可以成为增强对比度和更容易可视化数据的有用工具。这在使用投影仪进行数据演示时尤其有用 - 它们的对比度通常非常差。

伪彩色仅与单通道，灰度，亮度图像相关。我们目前有一个RGB图像。由于R，G和B都是相似的(请参阅上面或数据)，我们可以选择一个数据通道：

lum_img = img[:, :, 0]

# This is array slicing. You can read more in the `Numpy tutorial

# `_.

plt.imshow(lum_img)

`

执行上面示例代码，得到以下结果 -

现在，使用亮度(2D，无颜色)图像，应用默认色图(也称为查找表，LUT)。默认名称为viridis，还有很多其他选择。

plt.imshow(lum_img, cmap="hot")

请注意，还可以使用set_cmap()方法更改现有绘图对象上的颜色映射：

imgplot = plt.imshow(lum_img)

imgplot.set_cmap('nipy_spectral')

注意 - 在具有内联后端的IPython Notebook中，无法更改已经呈现的绘图。如果在一个单元格中创建imgplot，则不能在稍后的单元格中调用set_cmap()并期望更早的绘图。确保在一个单元格中一起输入这些命令。plt命令不会更改早期单元格的图形。

imgplot = plt.imshow(lum_img)

plt.colorbar()

这会为现有的图形添加一个颜色条。如果更改切换到不同的色彩映射，则不会自动更改 - 必须重新创建绘图，然后再次添加颜色栏。

检查特定数据范围

有时，希望增强图像的对比度，或者扩大特定区域的对比度，同时牺牲颜色的细节，这些颜色不会有太大变化，或者无关紧要。找到有趣区域的好工具是直方图。要创建图像数据的直方图，我们使用hist()函数。

plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')

大多数情况下，图像的“有趣”部分位于峰值周围，可以通过剪切峰值上方和/或下方的区域来获得额外的对比度。在我们的直方图中，看起来高端没有太多有用的信息(图像中的白色东西不多)。我们调整上限，以便有效地“放大”直方图的一部分。通过将攀登论证传递给imshow来做到这一点。也可以通过调用图像绘图对象的set_clim()方法来完成此操作，但在使用IPython Notebook时，请确保在与绘图命令相同的单元格中执行此操作 - 它不会更改早期单元格中的绘图。

可以在绘图调用中指定clim -

imgplot = plt.imshow(lum_img, clim=(0.0, 0.7))

还可以使用返回的对象指定clim -

fig = plt.figure()

a = fig.add_subplot(1, 2, 1)

imgplot = plt.imshow(lum_img)

a.set_title('Before')

plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')

a = fig.add_subplot(1, 2, 2)

imgplot = plt.imshow(lum_img)

imgplot.set_clim(0.0, 0.7)

a.set_title('After')

plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')

阵列插值方案

根据不同的数学方案，插值计算像素“应该”的颜色或值。发生这种情况的一个常见地方是调整图像大小。像素数会发生变化，但您需要相同的信息。由于像素是离散的，因此缺少空间。插值就是填充那个空间的方式。这就是为什么当把它们炸掉时，图像有时看起来像是像素化的原因。当原始图像和扩展图像之间的差异更大时，效果更明显。拍摄照片并缩小它，有效地丢弃像素，只保留少数像素。现在，当我们绘制它时，数据会被炸成屏幕上的大小。旧像素不再存在，计算机必须以像素绘制以填充该空间。

加载图像的Pillow库来调整图像大小。

from PIL import Image

img = Image.open('../../doc/_static/stinkbug.png')

img.thumbnail((64, 64), Image.ANTIALIAS) # resizes image in-place

imgplot = plt.imshow(img)

这里有默认的插值，双线性，因为没有给imshow()插值参数。

imgplot = plt.imshow(img, interpolation="nearest")

¥ 我要打赏

纠错/补充

收藏

加QQ群啦，易百教程官方技术学习群

注意：建议每个人选自己的技术方向加群，同一个QQ最多限加 3 个群。