图像教程

关于使用 Matplotlib 绘制图像的简短教程。

启动命令

首先，让我们启动 IPython。它是标准 Python 提示符的绝佳增强，与 Matplotlib 结合得特别好。可以直接在 shell 中启动 IPython，也可以通过 Jupyter Notebook（IPython 作为运行内核）启动。

IPython 启动后，我们需要连接到 GUI 事件循环。这会告诉 IPython 在何处（以及如何）显示图表。要连接到 GUI 循环，请在 IPython 提示符下执行 %matplotlib 魔术命令。有关其具体作用的更多详细信息，请参阅 IPython 关于 GUI 事件循环的文档。

如果您使用 Jupyter Notebook，相同的命令也可用，但人们通常会为 %matplotlib 魔术命令使用一个特定的参数

In [1]: %matplotlib inline

这会启用行内绘图，其中绘图图形将出现在您的笔记本中。这对交互性有重要影响。对于行内绘图，输出图表的单元格下方的单元格中的命令不会影响该图表。例如，无法从创建图表的单元格下方的单元格更改颜色映射。然而，对于其他打开单独窗口的后端（例如 Qt），创建图表下方的单元格将更改图表——它是一个内存中的实时对象。

本教程将使用 Matplotlib 的隐式绘图接口 pyplot。此接口维护全局状态，对于快速轻松地试验各种绘图设置非常有用。另一种是显式接口，更适合大型应用程序开发。有关隐式和显式接口之间权衡的解释，请参阅 Matplotlib 应用程序接口 (API) 和 快速入门指南 以开始使用显式接口。现在，让我们继续隐式方法

from PIL import Image

import matplotlib.pyplot as plt
import numpy as np

将图像数据导入 Numpy 数组

Matplotlib 依靠 Pillow 库来加载图像数据。

这是我们将要使用的图像

这是一个 24 位 RGB PNG 图像（R、G、B 各占 8 位）。根据您获取数据的位置，您最可能遇到的其他图像类型是支持透明度的 RGBA 图像，或单通道灰度（亮度）图像。将 stinkbug.png 下载到您的计算机，以继续本教程。

我们使用 Pillow 打开图像（通过 PIL.Image.open），并立即将 PIL.Image.Image 对象转换为 8 位（dtype=uint8）numpy 数组。

img = np.asarray(Image.open('../../doc/_static/stinkbug.png'))
print(repr(img))

array([[[104, 104, 104],
        [104, 104, 104],
        [104, 104, 104],
        ...,
        [109, 109, 109],
        [109, 109, 109],
        [109, 109, 109]],

       [[105, 105, 105],
        [105, 105, 105],
        [105, 105, 105],
        ...,
        [109, 109, 109],
        [109, 109, 109],
        [109, 109, 109]],

       [[107, 107, 107],
        [106, 106, 106],
        [106, 106, 106],
        ...,
        [110, 110, 110],
        [110, 110, 110],
        [110, 110, 110]],

       ...,

       [[112, 112, 112],
        [111, 111, 111],
        [110, 110, 110],
        ...,
        [116, 116, 116],
        [115, 115, 115],
        [115, 115, 115]],

       [[113, 113, 113],
        [113, 113, 113],
        [112, 112, 112],
        ...,
        [115, 115, 115],
        [114, 114, 114],
        [114, 114, 114]],

       [[113, 113, 113],
        [115, 115, 115],
        [115, 115, 115],
        ...,
        [114, 114, 114],
        [114, 114, 114],
        [113, 113, 113]]], shape=(375, 500, 3), dtype=uint8)

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，R、G 和 B 都相似。RGBA（其中 A 是 alpha，即透明度）每个内部列表有 4 个值，而简单的亮度图像只有一个值（因此它只是一个二维数组，而不是三维数组）。对于 RGB 和 RGBA 图像，Matplotlib 支持 float32 和 uint8 数据类型。对于灰度图像，Matplotlib 仅支持 float32。如果您的数组数据不符合这些描述之一，则需要对其进行重新缩放。

将 numpy 数组绘制为图像

因此，您的数据已存在于 numpy 数组中（无论是通过导入还是生成）。现在让我们来渲染它。在 Matplotlib 中，这是使用 imshow() 函数执行的。这里我们将获取绘图对象。此对象提供了一种从提示符轻松操作绘图的方法。

imgplot = plt.imshow(img)

您也可以绘制任何 numpy 数组。

将伪彩色方案应用于图像绘图

伪彩色是增强对比度并更轻松地可视化数据的有用工具。这在使用投影仪演示数据时尤其有用——投影仪的对比度通常很差。

伪彩色仅适用于单通道、灰度、亮度图像。我们当前有一个 RGB 图像。由于 R、G 和 B 都相似（您可以在上方或您自己的数据中查看），我们可以使用数组切片选择数据的一个通道（您可以在 Numpy 教程 中阅读更多内容）

lum_img = img[:, :, 0]
plt.imshow(lum_img)

现在，对于亮度（二维，无颜色）图像，将应用默认颜色映射（也称为查找表，LUT）。默认名称为 viridis。还有许多其他可供选择。

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

请注意，您也可以使用 set_cmap() 方法更改现有绘图对象的颜色映射

imgplot = plt.imshow(lum_img)
imgplot.set_cmap('nipy_spectral')

注意

但是，请记住，在带有行内后端的 Jupyter Notebook 中，您无法更改已渲染的图表。如果您在一个单元格中创建 imgplot，您不能在后续单元格中对其调用 set_cmap() 并期望先前的图表会发生变化。请确保将这些命令一起输入到一个单元格中。plt 命令不会更改先前单元格中的图表。

还有许多其他颜色映射方案可用。请参阅 颜色映射列表和图像。

颜色比例参考

了解颜色所代表的值是很有帮助的。我们可以通过在图表中添加颜色条来做到这一点

imgplot = plt.imshow(lum_img)
plt.colorbar()

检查特定数据范围

有时您希望增强图像的对比度，或者在特定区域扩展对比度，同时牺牲那些变化不大或不重要的颜色的细节。查找有趣区域的一个好工具是直方图。要创建图像数据的直方图，我们使用 hist() 函数。

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

通常，图像中“有趣”的部分位于峰值附近，您可以通过裁剪峰值上方和/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（图像中没有太多白色物体）没有太多有用的信息。让我们调整上限，以便我们有效地“放大”直方图的一部分。我们通过设置 *clim*，即颜色映射限制来实现这一点。

这可以通过在调用 imshow 时传递 *clim* 关键字参数来完成。

plt.imshow(lum_img, clim=(0, 175))

这也可以通过调用返回的图像绘图对象的 set_clim() 方法来完成，但在使用 Jupyter Notebook 时，请确保在与您的绘图命令相同的单元格中执行此操作——它不会更改先前单元格中的绘图。

imgplot = plt.imshow(lum_img)
imgplot.set_clim(0, 175)

数组插值方案

插值根据不同的数学方案计算像素的颜色或值“应该”是什么。一个常见的情况是当您调整图像大小时。像素数量会改变，但您希望保留相同的信息。由于像素是离散的，因此存在缺失空间。插值就是您填充该空间的方式。这就是为什么当您放大图像时，有时会看起来像素化的原因。当原始图像和放大图像之间的差异越大时，这种效果越明显。让我们将图像缩小。我们实际上是在丢弃像素，只保留少数几个。现在当我们绘制它时，该数据会放大到屏幕上的尺寸。旧像素不再存在，计算机必须绘制像素来填充该空间。

我们将使用我们加载图像的 Pillow 库来调整图像大小。

img = Image.open('../../doc/_static/stinkbug.png')
img.thumbnail((64, 64))  # resizes image in-place
imgplot = plt.imshow(img)

这里我们使用默认插值（“nearest”），因为我们没有给 imshow() 任何插值参数。

让我们尝试其他一些。这是“bilinear”

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

和 bicubic

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

双三次插值常用于放大照片——人们倾向于选择模糊而非像素化。