图像教程

一个关于使用 Matplotlib 绘制图像的简短教程。

启动命令

首先，让我们启动 IPython。它是对标准 Python 提示符的一个非常好的增强，并且与 Matplotlib 结合得特别好。直接在 shell 中或使用 Jupyter Notebook（其中 IPython 作为运行内核）启动 IPython。

启动 IPython 后，我们需要连接到一个 GUI 事件循环。这告诉 IPython 在哪里（以及如何）显示绘图。要连接到 GUI 循环，请在 IPython 提示符下执行 %matplotlib magic 命令。有关此命令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。

如果您正在使用 Jupyter Notebook，则可以使用相同的命令，但人们通常对 %matplotlib magic 使用特定的参数

In [1]: %matplotlib inline

这将启用内联绘图，其中绘图图形将显示在您的 notebook 中。这对交互性有重要影响。对于内联绘图，在输出绘图的单元格下方的单元格中的命令将不会影响绘图。例如，无法从创建绘图的单元格下方的单元格更改颜色图。但是，对于其他后端（例如 Qt），它们会打开单独的窗口，创建绘图的单元格下方的单元格将更改绘图 - 它是内存中的活动对象。

本教程将使用 Matplotlib 的隐式绘图界面 pyplot。此界面维护全局状态，对于快速轻松地试验各种绘图设置非常有用。另一种选择是显式界面，它更适合大型应用程序开发。有关隐式和显式界面之间权衡的解释，请参阅Matplotlib 应用程序接口 (API)和快速入门指南，开始使用显式界面。现在，让我们继续使用隐式方法

from PIL import Image

import matplotlib.pyplot as plt
import numpy as np

将图像数据导入 Numpy 数组

Matplotlib 依赖于 Pillow 库来加载图像数据。

这是我们要使用的图像

它是一个 24 位 RGB PNG 图像（R、G、B 各 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 RGBA 图像（允许透明度）或单通道灰度（亮度）图像。下载 stinkbug.png 到您的计算机，以便在本教程的其余部分中使用。

我们使用 Pillow 打开图像（使用 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]]], dtype=uint8)

每个内部列表代表一个像素。在这里，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）每个内部列表有 4 个值，而简单的亮度图像只有一个值（因此只是 2 维数组，而不是 3 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中的任何一种，则需要重新缩放它。

将 numpy 数组绘制为图像

因此，您的数据在 numpy 数组中（通过导入或生成）。让我们渲染它。在 Matplotlib 中，这是使用 imshow() 函数执行的。在这里，我们将获取绘图对象。此对象使您可以轻松地从提示符操作绘图。

imgplot = plt.imshow(img)

您还可以绘制任何 numpy 数组。

将伪彩色方案应用于图像绘图

伪彩色可以成为增强对比度和更轻松地可视化数据的有用工具。当使用投影仪演示数据时，这尤其有用 - 它们的对比度通常很差。

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 都相似（请亲自查看上方或在您的数据中），我们可以使用数组切片仅选取我们数据的一个通道（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（2D，无颜色）图像，应用默认颜色图（也称为查找表，LUT）。默认值称为 viridis。还有很多其他的可供选择。

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

请注意，您还可以使用 set_cmap() 方法更改现有绘图对象上的颜色图

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

注意

但是，请记住，在具有内联后端的 Jupyter Notebook 中，您无法对已渲染的绘图进行更改。如果您在一个单元格中创建了 imgplot，则无法在后面的单元格中对其调用 set_cmap() 并期望先前的绘图发生更改。请确保您在同一个单元格中一起输入这些命令。plt 命令不会更改先前单元格中的绘图。

还有许多其他可用的颜色图方案。请参阅颜色图的列表和图像。

颜色刻度参考

了解颜色代表什么值很有帮助。我们可以通过向您的图中添加颜色条来实现

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

检查特定的数据范围

有时您想增强图像的对比度，或扩大特定区域的对比度，同时牺牲颜色变化不大或不重要的细节。查找有趣区域的一个好工具是直方图。要创建我们图像数据的直方图，我们使用 hist() 函数。

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

大多数情况下，图像的“有趣”部分在峰值附近，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，看起来高端没有太多有用的信息（图像中没有太多白色物体）。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（颜色图限制）来做到这一点。

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，但请确保在与 Jupyter Notebook 一起使用时，在与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。发生这种情况的一个常见位置是在调整图像大小时。像素数量会发生变化，但您需要相同的信息。由于像素是离散的，因此缺少空间。插值是您如何填充该空间。这就是为什么当您放大图像时，您的图像有时会出现像素化。当原始图像和放大图像之间的差异较大时，效果会更明显。让我们获取我们的图像并缩小它。我们正在有效地丢弃像素，只保留少数几个。现在，当我们绘制它时，该数据会被放大到屏幕上的大小。旧的像素不再存在，计算机必须绘制像素来填充该空间。

我们将使用我们用来加载图像的 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)

在这里，我们使用默认插值（“最近邻”），因为我们没有为 imshow() 提供任何插值参数。

让我们尝试一些其他的。这是“双线性”

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

和双三次

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

双三次插值通常在放大照片时使用 - 人们倾向于喜欢模糊而不是像素化。