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 提示符的极好增强,并且与 Matplotlib 的结合特别好. 直接在 shell 中或使用 Jupyter Notebook(其中 IPython 作为一个运行内核)启动 IPython.

启动 IPython 后,我们现在需要连接到 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. 有关这具体做什么的更多详细信息,请参见 IPython's documentation on GUI event loops .

如果你使用 Jupyter Notebook,相同的命令可用,但人们通常使用 %matplotlib magic 的特定参数:

In [1]: %matplotlib inline

这将启用内联绘图,其中绘图图形将出现在你的 notebook 中. 这对交互性有重要的影响. 对于内联绘图,低于输出绘图的单元格中的命令将不会影响该绘图. 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,对于诸如 Qt 之类的其他后端,它们会打开一个单独的窗口,低于创建绘图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. 另一种选择是显式,它更适合大型应用程序开发. 有关隐式接口和显式接口之间权衡的说明,请参见 Matplotlib 应用程序接口 (APIs) 和 Quick start guide 以开始使用显式接口. 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 位的 RGB PNG 图像(R,G,B 各 8 位). 根据你从哪里获取数据,你最有可能遇到的其他类型的图像是 RGBA 图像,它允许透明度,或单通道灰度(亮度)图像. 下载 stinkbug.png 到你的计算机上,以便进行本教程的其余部分.

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]]], shape=(375, 500, 3), dtype=uint8)

每个内部列表代表一个像素.这里,使用 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(因此只是一个 2-D 数组,而不是一个 3-D 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,则需要重新缩放它.

将 numpy 数组绘制为图像

因此,您的数据在一个 numpy 数组中(无论是通过导入还是生成).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处操作绘图.

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

伪彩色可能是增强对比度并更轻松地可视化数据的有用工具.当使用投影仪进行数据演示时,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(请自己查看上面或您的数据),我们可以只使用数组切片选择我们数据的一个通道(您可以在 Numpy tutorial 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,应用默认的颜色图(也称为查找表,LUT).默认值称为 viridis.还有很多其他可供选择.

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')

备注

但是,请记住,在使用内联后端的 Jupyter Notebook 中,您无法更改已渲染的绘图.如果您在一个单元格中在此处创建 imgplot,则不能在后面的单元格中对其调用 set_cmap() 并期望较早的绘图发生更改.确保您在同一个单元格中一起输入这些命令.plt 命令不会更改来自较早单元格的绘图.

还有许多其他可用的颜色图方案.请参阅 list and images of the colormaps .

颜色标尺参考

了解颜色代表什么值很有帮助.我们可以通过向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,或者扩大特定区域的对比度,同时牺牲颜色变化不大或无关紧要的细节.找到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 - 它不会更改来自较早单元格的绘图.

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地方是调整图像大小时.像素数发生变化,但您想要相同的信息.由于像素是离散的,因此存在缺失的空间.插值是如何填充该空间.这就是为什么当您放大图像时,图像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,效果越明显.让我们缩小我们的图像.我们有效地丢弃像素,只保留少数几个.现在,当我们绘制它时,该数据会放大到屏幕上的大小.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 Pillow 库(我们用它来加载图像)来调整图像的大小.

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

这里我们使用默认的插值方法 ("nearest"),因为我们没有给 imshow() 任何插值参数.

让我们试试其他的.这是 "bilinear":

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

以及 bicubic:

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

双三次插值通常用于放大照片 - 人们往往喜欢模糊而不是像素化.