图像教程

本教程将使用 Matplotlib 的隐式绘图接口 pyplot。该接口维护全局状态，对于快速简便地试验各种绘图设置非常有用。另一种选择是显式接口，它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 (APIs) 以及 快速入门指南 以开始使用显式接口。现在，让我们继续采用隐式方法。

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 Pillow 库来加载图像数据。

这是我们将要处理的图像：

它是一张 24 位 RGB PNG 图像（R、G、B 各占 8 位）。根据数据来源的不同，您最常遇到的其他图像类型是支持透明度的 RGBA 图像，或者是单通道灰度（亮度）图像。请将 stinkbug.png 下载到您的电脑上，以便进行后续教程。

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) 的 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。对于 RGB 图像，每个像素有 3 个值。由于这是一张黑白图像，R、G 和 B 的值相似。RGBA（其中 A 代表 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（因此它是二维数组，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，则需要对其进行重新缩放。

将 numpy 数组绘制为图像

现在您已将数据存入 numpy 数组（无论是通过导入还是生成）。让我们将其渲染出来。在 Matplotlib 中，这是通过 imshow() 函数完成的。在这里，我们将获取绘图对象，该对象提供了一种在提示符下操作绘图的简便方法。

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和更直观地可视化数据的有用工具。这在制作演示文稿时尤其有用，因为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。我们目前拥有一张 RGB 图像。由于 R、G 和 B 的值都很相似（您可以从上面的数据自行查看），我们可以使用数组切片仅选取其中一个通道（您可以在 Numpy 教程中阅读更多相关信息）。

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

现在，对于亮度（二维，无颜色）图像，将应用默认的颜色映射（也称为查找表，LUT）。默认值为 viridis，当然还有许多其他配色方案可供选择。

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的颜色映射。

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

还有许多其他可用的配色方案。请查看 颜色映射列表和图像。

颜色标度参考

了解颜色所代表的数值很有帮助。我们可以通过在图中添加颜色条来实现这一点。

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

检查特定的数据范围

有时您希望增强图像的对比度，或者在牺牲变化不大或不重要的颜色细节的同时，扩大特定区域的对比度。直方图是查找感兴趣区域的好工具。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”的部分位于峰值周围，您可以通过剪裁峰值上方和/或下方的区域来获得额外的对比度。在我们的直方图中，高值端似乎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，以便有效地“放大”直方图的一部分。我们通过设置 clim（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))

也可以通过调用返回的图像绘图对象的 set_clim() 方法来完成。

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数值“应该”是多少。这种情况常见于调整图像大小时。像素数量变了，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。插值就是填补这些空间的方法。这就是为什么当您放大图像时，它们有时会看起来呈像素化。当原始图像与放大图像之间的差异越大时，这种效果就越明显。让我们把图像缩小，实际上就是丢弃像素，只保留少数几个。现在当我们绘制它时，该数据被放大到屏幕大小。旧的像素已经不存在了，计算机必须填充像素以填补空间。

我们将使用刚才加载图像时使用的 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() 传递任何插值参数。

让我们尝试其他一些插值方式。这是“bilinear”（双线性插值）：

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

这是“bicubic”（双三次插值）：

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

双三次插值通常用于放大照片——人们往往更喜欢模糊的效果，而不是像素化的效果。