本教程将使用matplotlib的命令式绘图界面pyplot。该界面保持全局状态，对于快速轻松地尝试各种绘图设置非常有用。另一种方法是面向对象的界面，它也非常强大，通常更适合于大型应用程序开发。如果您想了解面向对象的界面，那么我们的用法指南是一个很好的起点。

一、开始

现在，让我们继续使用命令式方法，首先导入相关库

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

二、 将图像数据导入到Numpy数组中

Pillow库支持加载图像数据。Matplotlib本机仅支持PNG图像。如果本机读取失败，则下面显示的命令将退回到Pillow上。

本示例中使用的图像是JPG文件，但请记住您对自己的数据的“ Pillow”要求。

这是我们要处理的图像：

cat.jpg

现在我们将他加载到内存当中：

img = mpimg.imread('cat.jpg')
print(img)

[[[248 247 252]
  [248 247 252]
  [248 247 252]
  ...
  [253 252 255]
  [253 252 255]
  [253 252 255]]

 [[248 247 252]
  [248 247 252]
  [248 247 252]
  ...
  [253 252 255]
  [253 252 255]
  [253 252 255]]

 [[248 247 252]
  [248 247 252]
  [248 247 252]
  ...

它输出的是这样一个三维的数组。每个内部列表代表一个像素。在此，对于RGB图像，有3个值。对于RGBA图像（其中A是alpha或透明度），每个内部列表具有4个值，而简单的亮度图像仅具有一个值（因此，它只是一个2-D数组，而不是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，matplotlib仅支持float32。如果您的阵列数据不符合以下描述之一，则需要重新调整其大小。

三、将numpy数组绘制为图像

我们可以将数据存储在numpy数组中（通过导入或生成），然后通过渲染可以生成图像。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。该对象为您提供了一种从提示操作图形的简便方法。

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

img = mpimg.imread('cat.jpg')

imgplot = plt.imshow(img)
plt.show()

catplot

将伪彩色方案应用于图像图

伪彩色是增强对比度和更轻松地可视化数据的有用工具。当使用投影仪进行数据演示时，这特别有用-它们的对比度通常很差。

伪彩色仅与单通道，灰度，发光度图像有关。我们目前有一个RGB图像（数组形式）（请参见上方或数据中的内容），我们可以选择一个数据通道：

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

这时候我们的小猫看起来有点诡异了

对于亮度（2D，无颜色）图像，将应用默认的颜色图【cmap】（又名查找表，LUT）。默认名称为viridis。还有很多其他可供选择。

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

此外，您还可以使用set_cmap()方法更改现有打印对象上的颜色图，作用跟上述是一致的，例如：

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

还有许多其他的颜色图方案。请参阅颜色图的列表和图像

色标参考

了解颜色代表什么价值会很有帮助。我们可以通过在您的图形上添加一个颜色条来做到这一点：

imgplot = plt.imshow(lum_img)
imgplot.set_cmap('hot')
plt.colorbar()
plt.show()

检查特定的数据范围

对于稍微有点摄影基础的小伙伴应该都知道图像的直方图。有时您想增强图像的对比度，或扩大特定区域的对比度，同时牺牲颜色的差异，这些颜色变化不大或无关紧要。直方图是找到有趣区域的好工具。要创建图像数据的直方图，可以使用hist()函数。

plt.hist(img.ravel(), bins=256, range=(0.0, 255), fc='k', ec='k')

大多数情况下，图像的“有趣”部分位于峰值周围，并且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，高端似乎没有太多有用的信息（图像中有很多白色的东西）。让我们调整上限，以便有效地“放大”直方图的一部分。为此，我们将clim参数传递给了imshow。您也可以通过调用set_clim()图像绘图对象的方法来执行此操作 也可以通过传入clim参数

imgplot = plt.imshow(lum_img, clim=(100, 255))

我们把两张图放在一起比较一下，完整代码：

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

img = mpimg.imread('cat.jpg')
lum_img = img[:, :, 0]
fig1 = plt.figure()

plt.subplot(121)
plt.title('before')
imgplot = plt.imshow(lum_img)
plt.colorbar(orientation='horizontal')
plt.subplot(122)
plt.title('after')
imgplot2 = plt.imshow(lum_img, clim=(100, 255))
plt.colorbar(orientation='horizontal')
plt.show()

图像：

图像插值（缩放）

一个常见应用是调整图像大小时，像素数会变化，因此我们需要根据不同的数学方案计算增加（或删去）的像素的值。由于像素是离散的，因此缺少空间。插值法是您填充该空间的方式。这就是为什么当您炸毁图像时有时会显得像素化的原因。当原始图像和扩展图像之间的差异更大时，效果会更加明显。让我们来缩小形象。我们实际上是在丢弃像素，只保留少数像素。现在，当我们绘制它时，该数据将爆炸到屏幕上的大小。旧的像素不再存在，计算机必须提取像素来填充该空间。

我们将使用用于加载图像的Pillow库来调整图像的大小。

from PIL import Image

img = Image.open('cat.jpg')
img.thumbnail((64, 64), Image.ANTIALIAS)  # resizes image in-place
imgplot = plt.imshow(img)
plt.show()

这里没有默认的插值法，即双线性，因为我们没有给出imshow()传入任何插值参数。

我们尝试其他方法。这是“最近”，不进行插值。

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

可以看出与上图并无区别，接下来尝试其他参数，放大照片时经常使用双三次插值法-人们倾向于模糊而不是像素化：

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

---

，，，