Matplotlib繪製圖像

下麵是使用Matplotlib繪製圖像的簡短教程。

啟動命令

首先啟動IPython。它是標準Python提示的最佳增強，它與Matplotlib特別相關。現在可以在shell或IPython Notebook上啟動IPython。

隨著IPython的啟動，我們現在需要連接到GUI事件迴圈。這告訴IPython在哪里(以及如何)顯示圖。要連接到GUI迴圈，請在IPython提示符下執行%matplotlib magic。關於它在IPython的GUI事件迴圈文檔中的確切內容有更詳細的說明。

如果正在使用IPython Notebook，則可以使用相同的命令，但人們通常使用%matplotlib魔法的特定參數：

In [1]: %matplotlib inline

這將打開內聯繪圖，其中繪圖圖形將出現在筆記本中。這對交互性具有重要意義。對於內聯繪圖，輸出繪圖的單元格下方單元格中的命令不會影響繪圖。例如，無法從創建繪圖的單元格下方的單元格更改顏色貼圖。但是，對於其他後端，例如Qt5，打開一個單獨的窗口，創建繪圖的下麵的單元格將改變繪圖 - 它是記憶體中的活動對象。

本教程將使用matplotlib的命令式繪圖介面pyplot。該介面保持全局狀態，對於快速輕鬆地試驗各種繪圖設置非常有用。另一種選擇是面向對象的介面，它也非常強大，通常更適合大型應用程式開發。如果想瞭解面向對象的介面，一個很好的開始是學習使用指南。現在繼續使用命令式方法：

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

將圖像數據導入Numpy數組

Pillow庫支持加載圖像數據。在本機，Matplotlib僅支持PNG圖像。如果本機讀取失敗，下麵顯示的命令將回退到Pillow。

此示例中使用的圖像是PNG檔，但請記住您自己的數據的Pillow要求。

下麵是要使用的圖像：

它是一個24位RGB PNG圖像(R，G，B各有8位)。根據獲取數據的位置，最有可能遇到的其他類型的圖像是RGBA圖像，它們允許透明度，或單通道灰度(亮度)圖像。您可以右鍵單擊它並選擇“將圖像另存為”以將其下載到您的電腦以完成本教程的其餘部分。

現在就開始操作了…

img = mpimg.imread('../../doc/_static/stinkbug.png')
print(img)

執行上面示例代碼，得到以下結果 -

[[[0.40784314 0.40784314 0.40784314]
  [0.40784314 0.40784314 0.40784314]
  [0.40784314 0.40784314 0.40784314]
  ...
  [0.42745098 0.42745098 0.42745098]
  [0.42745098 0.42745098 0.42745098]
  [0.42745098 0.42745098 0.42745098]]

 [[0.4117647  0.4117647  0.4117647 ]
  [0.4117647  0.4117647  0.4117647 ]
  [0.4117647  0.4117647  0.4117647 ]
  ...
  [0.42745098 0.42745098 0.42745098]
  [0.42745098 0.42745098 0.42745098]
  [0.42745098 0.42745098 0.42745098]]

 [[0.41960785 0.41960785 0.41960785]
  [0.41568628 0.41568628 0.41568628]
  [0.41568628 0.41568628 0.41568628]
  ...
  [0.43137255 0.43137255 0.43137255]
  [0.43137255 0.43137255 0.43137255]
  [0.43137255 0.43137255 0.43137255]]

 ...

 [[0.4392157  0.4392157  0.4392157 ]
  [0.43529412 0.43529412 0.43529412]
  [0.43137255 0.43137255 0.43137255]
  ...
  [0.45490196 0.45490196 0.45490196]
  [0.4509804  0.4509804  0.4509804 ]
  [0.4509804  0.4509804  0.4509804 ]]

 [[0.44313726 0.44313726 0.44313726]
  [0.44313726 0.44313726 0.44313726]
  [0.4392157  0.4392157  0.4392157 ]
  ...
  [0.4509804  0.4509804  0.4509804 ]
  [0.44705883 0.44705883 0.44705883]
  [0.44705883 0.44705883 0.44705883]]

 [[0.44313726 0.44313726 0.44313726]
  [0.4509804  0.4509804  0.4509804 ]
  [0.4509804  0.4509804  0.4509804 ]
  ...
  [0.44705883 0.44705883 0.44705883]
  [0.44705883 0.44705883 0.44705883]
  [0.44313726 0.44313726 0.44313726]]]

注意dtype - float32。Matplotlib已將每個通道的8位數據重新調整為0.0到1.0之間的浮點數據。Pillow可以使用的唯一數據類型是uint8。Matplotlib繪圖可以處理float32和uint8，但是除PNG之外的任何格式的圖像讀/寫都限於uint8數據。為什麼8位？大多數顯示器每個通道只能渲染8位顏色等級。為什麼他們只能渲染8位/通道？因為那是人眼所能看到的。

每個內部列表代表一個像素。這裏，對於RGB圖像，有3個值。由於它是黑白圖像，因此R，G和B都相似。RGBA(其中A是alpha或透明度)每個內部列表具有4個值，並且簡單亮度圖像僅具有一個值(因此僅是2-D陣列，而不是3-D陣列)。對於RGB和RGBA圖像，matplotlib支持float32和uint8數據類型。對於灰度，matplotlib僅支持float32。如果您的陣列數據不符合這些描述之一，則需要重新調整它。

將numpy數組繪製為圖像

將數據放在一個numpy數組中(通過導入或生成它)。在Matplotlib中，這是使用imshow()函數執行的。在這裏，繪圖對象提供了一種從提示中操作繪圖的簡便方法。

imgplot = plt.imshow(img)

將偽彩色方案應用於圖像圖

Pseudocolor可以成為增強對比度和更容易可視化數據的有用工具。這在使用投影儀進行數據演示時尤其有用 - 它們的對比度通常非常差。

偽彩色僅與單通道，灰度，亮度圖像相關。我們目前有一個RGB圖像。由於R，G和B都是相似的(請參閱上面或數據)，我們可以選擇一個數據通道：

lum_img = img[:, :, 0]

# This is array slicing.  You can read more in the `Numpy tutorial
# <https://docs.scipy.org/doc/numpy/user/quickstart.html>`_.

plt.imshow(lum_img)
`

執行上面示例代碼，得到以下結果 -

現在，使用亮度(2D，無顏色)圖像，應用默認色圖(也稱為查找表，LUT)。默認名稱為viridis，還有很多其他選擇。

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

請注意，還可以使用set_cmap()方法更改現有繪圖對象上的顏色映射：

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

注意 - 在具有內聯後端的IPython Notebook中，無法更改已經呈現的繪圖。如果在一個單元格中創建imgplot，則不能在稍後的單元格中調用set_cmap()並期望更早的繪圖。確保在一個單元格中一起輸入這些命令。plt命令不會更改早期單元格的圖形。

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

這會為現有的圖形添加一個顏色條。如果更改切換到不同的色彩映射，則不會自動更改 - 必須重新創建繪圖，然後再次添加顏色欄。

檢查特定數據範圍

有時，希望增強圖像的對比度，或者擴大特定區域的對比度，同時犧牲顏色的細節，這些顏色不會有太大變化，或者無關緊要。找到有趣區域的好工具是直方圖。要創建圖像數據的直方圖，我們使用hist()函數。

plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')

大多數情況下，圖像的“有趣”部分位於峰值周圍，可以通過剪切峰值上方和/或下方的區域來獲得額外的對比度。在我們的直方圖中，看起來高端沒有太多有用的資訊(圖像中的白色東西不多)。我們調整上限，以便有效地“放大”直方圖的一部分。通過將攀登論證傳遞給imshow來做到這一點。也可以通過調用圖像繪圖對象的set_clim()方法來完成此操作，但在使用IPython Notebook時，請確保在與繪圖命令相同的單元格中執行此操作 - 它不會更改早期單元格中的繪圖。

可以在繪圖調用中指定clim -

imgplot = plt.imshow(lum_img, clim=(0.0, 0.7))

還可以使用返回的對象指定clim -

fig = plt.figure()
a = fig.add_subplot(1, 2, 1)
imgplot = plt.imshow(lum_img)
a.set_title('Before')
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')
a = fig.add_subplot(1, 2, 2)
imgplot = plt.imshow(lum_img)
imgplot.set_clim(0.0, 0.7)
a.set_title('After')
plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')

陣列插值方案

根據不同的數學方案，插值計算像素“應該”的顏色或值。發生這種情況的一個常見地方是調整圖像大小。像素數會發生變化，但您需要相同的資訊。由於像素是離散的，因此缺少空間。插值就是填充那個空間的方式。這就是為什麼當把它們炸掉時，圖像有時看起來像是像素化的原因。當原始圖像和擴展圖像之間的差異更大時，效果更明顯。拍攝照片並縮小它，有效地丟棄像素，只保留少數像素。現在，當我們繪製它時，數據會被炸成螢幕上的大小。舊像素不再存在，電腦必須以像素繪製以填充該空間。

加載圖像的Pillow庫來調整圖像大小。

from PIL import Image

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

這裏有默認的插值，雙線性，因為沒有給imshow()插值參數。

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