绘制图像的多种方法

在Matplotlib中绘制图像的最常见方法是使用imshow。以下示例演示了imshow的大部分功能以及您可以创建的许多图像。

import matplotlib.pyplot as plt
import numpy as np

import matplotlib.cbook as cbook
import matplotlib.cm as cm
from matplotlib.patches import PathPatch
from matplotlib.path import Path

# Fixing random state for reproducibility
np.random.seed(19680801)

首先，我们将生成一个简单的二元正态分布。

delta = 0.025
x = y = np.arange(-3.0, 3.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
Z = (Z1 - Z2) * 2

fig, ax = plt.subplots()
im = ax.imshow(Z, interpolation='bilinear', cmap=cm.RdYlGn,
               origin='lower', extent=[-3, 3, -3, 3],
               vmax=abs(Z).max(), vmin=-abs(Z).max())

plt.show()

也可以显示图片的图像。

# A sample image
with cbook.get_sample_data('grace_hopper.jpg') as image_file:
    image = plt.imread(image_file)

# And another image, using 256x256 16-bit integers.
w, h = 256, 256
with cbook.get_sample_data('s1045.ima.gz') as datafile:
    s = datafile.read()
A = np.frombuffer(s, np.uint16).astype(float).reshape((w, h))
extent = (0, 25, 0, 25)

fig, ax = plt.subplot_mosaic([
    ['hopper', 'mri']
], figsize=(7, 3.5))

ax['hopper'].imshow(image)
ax['hopper'].axis('off')  # clear x-axis and y-axis

im = ax['mri'].imshow(A, cmap=plt.cm.hot, origin='upper', extent=extent)

markers = [(15.9, 14.5), (16.8, 15)]
x, y = zip(*markers)
ax['mri'].plot(x, y, 'o')

ax['mri'].set_title('MRI')

plt.show()

插值图像

也可以在显示图像之前对其进行插值。请注意，这可能会操纵数据的外观，但它有助于实现您想要的外观。下面我们将显示相同（小）的数组，使用三种不同的插值方法进行插值。

A[i, j]处像素的中心绘制在(i+0.5, i+0.5)处。如果您使用interpolation='nearest'，则以(i, j)和(i+1, j+1)为边界的区域将具有相同的颜色。如果您使用插值，则像素中心将具有与最近邻相同的颜色，但其他像素将在相邻像素之间进行插值。

为了在进行插值时防止边缘效应，Matplotlib会在边缘周围用相同的像素填充输入数组：如果您有一个5x5数组，颜色如下所示：

a b c d e
f g h i j
k l m n o
p q r s t
u v w x y

Matplotlib计算填充数组的插值和调整大小

a a b c d e e
a a b c d e e
f f g h i j j
k k l m n o o
p p q r s t t
o u v w x y y
o u v w x y y

然后提取结果的中心区域。（Matplotlib的极旧版本（<0.63）没有填充数组，而是调整了视图限制以隐藏受影响的边缘区域。）

这种方法允许绘制数组的全部范围而没有边缘效应，例如，使用不同的插值方法将不同大小的多个图像分层叠加在一起 - 请参阅带有Alpha混合的分层图像。这也意味着性能损失，因为必须创建这个新的临时填充数组。复杂的插值也意味着性能损失；为了获得最大性能或非常大的图像，建议使用interpolation='nearest'。

A = np.random.rand(5, 5)

fig, axs = plt.subplots(1, 3, figsize=(10, 3))
for ax, interp in zip(axs, ['nearest', 'bilinear', 'bicubic']):
    ax.imshow(A, interpolation=interp)
    ax.set_title(interp.capitalize())
    ax.grid(True)

plt.show()

您可以使用origin参数指定是否应在左上角或右下角使用数组原点x[0, 0]绘制图像。您还可以控制matplotlibrc文件中的默认设置image.origin。有关此主题的更多信息，请参阅关于原点和范围的完整指南。

x = np.arange(120).reshape((10, 12))

interp = 'bilinear'
fig, axs = plt.subplots(nrows=2, sharex=True, figsize=(3, 5))
axs[0].set_title('blue should be up')
axs[0].imshow(x, origin='upper', interpolation=interp)

axs[1].set_title('blue should be down')
axs[1].imshow(x, origin='lower', interpolation=interp)
plt.show()

最后，我们将显示使用剪切路径的图像。

delta = 0.025
x = y = np.arange(-3.0, 3.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
Z = (Z1 - Z2) * 2

path = Path([[0, 1], [1, 0], [0, -1], [-1, 0], [0, 1]])
patch = PathPatch(path, facecolor='none')

fig, ax = plt.subplots()
ax.add_patch(patch)

im = ax.imshow(Z, interpolation='bilinear', cmap=cm.gray,
               origin='lower', extent=[-3, 3, -3, 3],
               clip_path=patch, clip_on=True)
im.set_clip_path(patch)

plt.show()

参考文献

此示例中显示了以下函数、方法、类和模块的用法

• matplotlib.axes.Axes.imshow / matplotlib.pyplot.imshow

• matplotlib.artist.Artist.set_clip_path

• matplotlib.patches.PathPatch