只是一个简单的例子:
import numpy as np
data = array([[7, 4, 6], [7, 7, 6], [4, 7, 9]])
imshow(data, 'gray', origin='lower')
Matplotlib的imshow有3个参数来控制每个像素的灰度颜色:
> vmin:设置图像的最小强度值(灰度中的黑色),默认情况下设置为图像阵列的最小值.
> vmax:设置图像的最大强度值(灰度为白色),默认设置为数组的最大值.
如果要查看真实的灰度图像,则需要手动设置vmin = 0和vmax = 255(对于8位灰度图像).或者将数组重新调整为[0,255].
>插值:默认设置为bilinear interpolation,如果图像大小大于或小于图像矩阵的大小,则控制插值像素的值.
这是因为关闭插值会发生什么的结果:
imshow(data, 'gray', origin='lower', interpolation='none')
这是vmin和vmax参数功能的一个例子:
imshow(data, 'gray', origin='lower', interpolation='none', vmin=0, vmax=20)
有关双线性插值或插值方法的更多信息,请参阅维基百科或:
其中none = nearest反映原始4×4数组,没有插值.
编辑:基本上,当您可视化图像时有两个关键因素:
>图像的原始大小
>图像可视化的大小
如果以上两种尺寸相同,则图像以其原始尺寸可视化,完全没有问题,但是,这在现实世界中很少发生.想象一下,一个简单的例子,两个人在不同分辨率的两个显示器(假设相同型号)中寻找相同的图像:一个用1280×768,另一个用800×600.显示器实际上具有相同的尺寸,在两种情况下图像都是相同的,但是,两个显示器中的像素密度不同(第一个像素每英寸的像素数多于第二个),因此, 800×600显示器将寻找更大(质量更差)的画面.
不同的情况,但matplotlib发生类似的事情.默认情况下,Matplotlib未经过优化,无法以原始大小显示图像.实际上,如果你显示你的3×3矩阵,你甚至都看不到它(太小)但是,默认情况下,matplotlib会显示一个(比方说256×256)大的平滑图像(上面的第一张图片).
这一切背后发生了什么? figure的figsize和dpi参数控制输出图像的大小和像素密度.如果没有手动给出,matplotlib将默认尝试估计.
因此,无论是通过手动指定还是默认创建,您的3×3矩阵最终都会得到256×256像素.如上所述,vmin和vmax控制颜色的最小值和最大值(在这种情况下为灰度,因此vmin =黑色,vmax =白色).
那么,如何确定每个像素的值?这取决于所使用的插值方法.首先,您的矩阵(在这种情况下为3×3)点沿图像的大小均匀分布(例如256×256).然后,使用插值方法估计新图像的其余点(256×256):
>无插值:像素获取其最接近矩阵元素的值
>双线性插值:像素获得在矩阵的最近4个邻居内平均的值
还有更多……有关详细信息,请参阅上面的插值方法.
例如,请查看wikipedia中的以下图像:
想象一下,带有颜色的点是来自矩阵的数据,黑点代表当您使图像大小大于矩阵大小时需要估算的像素之一.在图像的特定情况下,使用双线性插值来估计黑点(对于新图像)的值.如您所见,像素的值设置为围绕该像素的矩阵中点的加权平均值.如果在matplotlib中将插值方法设置为“无”或“最近”,则黑点的值将仅由黄色像素给出(它最接近一个).
另外,请查看here以了解使用matplotlib以原始像素大小显示图像的实际复杂程度.