plt.imshow

plt.imshow(X, interpolation=None)

• X：图像数据

  • (M, N)：标量数据的图像，灰度图
  • (M, N, 3)：RGB图像
  • (M, N, 4)：RGBA图像

注意：其中RGB和RGBA图像为float类型[0, 1]，或者int类型[0, 255]

显示图像

Display an image, i.e. data on a 2D regular raster.

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(1)
# x = np.random.rand(25, 25)
x = np.random.rand(25, 25, 3)
# x = np.random.rand(25, 25, 4)


# 可以是float类型[0, 1]
print(x.dtype)
# plt.imshow(x)


# 也可以是int类型[0, 255]
max = np.max(x)
x = x*255/max  # expand pixel from [0, 1] to [0, 255], then normalization
# x = np.uint8(x) # 可以转化为uint8类型
x = x.astype(int) # 也可以转化为int32类型，都是为了使float-->int
print(x.dtype)
plt.imshow(x)
'''
输出：
float64
int32
'''

如果最后不显示图像的话，需要再加一句plt.show()

interpolation参数

这里特别讲一下interpolation参数，此参数显示了不同图像之间的插值方式

下面直接给出官方示例：链接

import matplotlib.pyplot as plt
import numpy as np

methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16',
           'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric',
           'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']

# Fixing random state for reproducibility
np.random.seed(19680801)

grid = np.random.rand(4, 4)

fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6),
                        subplot_kw={'xticks': [], 'yticks': []})

for ax, interp_method in zip(axs.flat, methods):
    ax.imshow(grid, interpolation=interp_method, cmap='viridis')
    ax.set_title(str(interp_method))

plt.tight_layout()
plt.show()

参考文档：
matplotlib.pyplot.imshow 官方文档
plt.imshow()将灰度图像进行彩色映射 CSDN

以下三张图（都是通过 matplotlib.pyplot.imshow 进行显示！！！）

original 是原图(通过python的matplotlib.image.imread读取图像)
RGB2BGR 是转换后的图(opencv图像操作需要)，opencv使用BGR，matplotlib使用RGB，混用时显示会有差别
transforms_image 是初始化之后的图

初始化的函数：
        transform = T.Compose(
            [
                T.ToPILImage(),
                Resize(min_size, max_size),#调整图像尺寸[800~1333]
                T.ToTensor(),#转tensor归一化到[0~1]
                to_bgr_transform,
                normalize_transform,#归一化到[-1~1]
            ]
        )

这里主要讲一下transforms_image的图像的颜色问题，一个字：怪！

'''
transforms_image 的打印结果
像素值有负数，我以为会显示不了，没想到也能显示，就离谱！
'''
tensor([[[ -61.9801,  -61.9801,  -62.9801,  ...,  121.0199,  105.0199,
            92.0199],
         [ -62.9801,  -62.9801,  -63.9801,  ...,  128.0199,  116.0199,
           105.0199],
         [ -62.9801,  -63.9801,  -63.9801,  ...,  138.0199,  130.0199,
           123.0199],
         ...,
         [ -50.9801,  -52.9801,  -54.9801,  ...,  -32.9801,  -27.9801,
           -31.9801],
         [ -55.9801,  -58.9801,  -62.9801,  ...,  -37.9801,  -31.9801,
           -33.9801],
         [ -64.9801,  -66.9801,  -69.9801,  ...,  -42.9801,  -34.9801,
           -34.9801]],

        [[ -90.9465,  -90.9465,  -91.9465,  ...,  131.0535,  119.0535,
           111.0535],
         [ -91.9465,  -91.9465,  -92.9465,  ...,  136.0535,  126.0535,
           119.0535],
         [ -91.9465,  -92.9465,  -92.9465,  ...,  139.0535,  136.0535,
           130.0535],
         ...,
         [ -66.9465,  -68.9465,  -70.9465,  ...,  -24.9465,  -17.9465,
           -21.9465],
         [ -71.9465,  -74.9465,  -78.9465,  ...,  -29.9465,  -21.9465,
           -23.9465],
         [ -80.9465,  -82.9465,  -85.9465,  ...,  -34.9465,  -24.9465,
           -24.9465]],

        [[ -96.7717,  -96.7717,  -97.7717,  ...,  120.2283,  108.2283,
            99.2283],
         [ -97.7717,  -97.7717,  -98.7717,  ...,  126.2283,  115.2283,
           108.2283],
         [ -97.7717,  -98.7717,  -98.7717,  ...,  130.2283,  125.2283,
           120.2283],
         ...,
         [ -81.7717,  -83.7717,  -85.7717,  ...,  -39.7717,  -32.7717,
           -36.7717],
         [ -86.7717,  -89.7717,  -93.7717,  ...,  -44.7717,  -36.7717,
           -38.7717],
         [ -95.7717,  -97.7717, -100.7717,  ...,  -49.7717,  -39.7717,
           -39.7717]]])
Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

于是我想着能不能把图像的颜色范围显示看一下，使用了plt.colorbar()函数，然后发现显示了个寂寞，图像中明明有黑色，在右边的 colorbar 上只有黄色到紫色

后来看官方文档才了解到 matplotlib 库 默认 的颜色范围就是黄到紫（也就是下面第二张图中的viridis颜色序列），这也就是问什么plt.imshow显示的二值图不是黑白两色而是是黄色和紫色两色

设置了cmap参数：cmap='Greys' 的结果（真正的黑白二值图）

如果想要使用其他的颜色序列可以使用cmap参数进行设置（下面有例子），最关键的是这个cmap参数只能对单通道图像有效，对多通道图像（RGB、RGBA）等无效，所以colorbar才会图像的颜色对不上

plt.title("transforms_image")
after_transforms = np.transpose(image, (1,2,0))#转换通道数
plt.imshow(after_transforms,cmap=plt.get_cmap('gist_gray'))#cmap='gist_gray'
plt.colorbar()
plt.show()

下图是只显示单通道图像，设置了cmap=plt.get_cmap('gist_gray')之后的显示结果，这佐证了cmap参数只对单通道图像有效

最后，还是回到图像的像素值出现负数，plt.imshow怎么进行图像的显示的问题，其实官方文档已经进行了说明：只接受 [0~1] 、[0~255] 范围内的像素值，超过得部分（包括负数）全部舍弃掉，从最后显示的结果来看，舍弃掉也就是用0像素值进行填充了，所以就出现了图像中的大部分的黑色区域，其他像素值正常的区域正常显示

注意：（对超出范围的像素值进行舍弃的操作）只针对多通道图像（RGB、RGBA），单通道图像有负数也不会舍弃，它会按照数值的大小映射到颜色序列上（参考下面的例子像素值-100对应紫色，100对应黄色）

'''多通道图像'''
        ttt=np.zeros(shape=(100,100,3))
        ttt[:,:,0]=np.linspace(-100,100,10000).reshape([100,100])
        ttt[:,:,1]=np.linspace(-100,100,10000).reshape([100,100])
        ttt[:,:,2]=np.linspace(-100,100,10000).reshape([100,100])
        plt.figure(figsize=[10,8])
        plt.title("ttt")
        plt.imshow(ttt)
'''单通道图像'''        
        plt.figure(figsize=[10,8])
        plt.title("ttt[:,:,0]")
        plt.imshow(ttt[:,:,0])
        plt.show()

ttt: 
[[[-100.         -100.         -100.        ]
  [ -99.979998    -99.979998    -99.979998  ]
  [ -99.959996    -99.959996    -99.959996  ]
  ...
  [ -98.05980598  -98.05980598  -98.05980598]
  [ -98.03980398  -98.03980398  -98.03980398]
  [ -98.01980198  -98.01980198  -98.01980198]]

 [[ -97.99979998  -97.99979998  -97.99979998]
  [ -97.97979798  -97.97979798  -97.97979798]
  [ -97.95979598  -97.95979598  -97.95979598]
  ...
  [ -96.05960596  -96.05960596  -96.05960596]
  [ -96.03960396  -96.03960396  -96.03960396]
  [ -96.01960196  -96.01960196  -96.01960196]]

 [[ -95.99959996  -95.99959996  -95.99959996]
  [ -95.97959796  -95.97959796  -95.97959796]
  [ -95.95959596  -95.95959596  -95.95959596]
  ...
  [ -94.05940594  -94.05940594  -94.05940594]
  [ -94.03940394  -94.03940394  -94.03940394]
  [ -94.01940194  -94.01940194  -94.01940194]]

 ...

 [[  94.01940194   94.01940194   94.01940194]
  [  94.03940394   94.03940394   94.03940394]
  [  94.05940594   94.05940594   94.05940594]
  ...
  [  95.95959596   95.95959596   95.95959596]
  [  95.97959796   95.97959796   95.97959796]
  [  95.99959996   95.99959996   95.99959996]]

 [[  96.01960196   96.01960196   96.01960196]
  [  96.03960396   96.03960396   96.03960396]
  [  96.05960596   96.05960596   96.05960596]
  ...
  [  97.95979598   97.95979598   97.95979598]
  [  97.97979798   97.97979798   97.97979798]
  [  97.99979998   97.99979998   97.99979998]]

 [[  98.01980198   98.01980198   98.01980198]
  [  98.03980398   98.03980398   98.03980398]
  [  98.05980598   98.05980598   98.05980598]
  ...
  [  99.959996     99.959996     99.959996  ]
  [  99.979998     99.979998     99.979998  ]
  [ 100.          100.          100.        ]]]


ttt[:,:,0]: 
[[-100.          -99.979998    -99.959996   ...  -98.05980598
   -98.03980398  -98.01980198]
 [ -97.99979998  -97.97979798  -97.95979598 ...  -96.05960596
   -96.03960396  -96.01960196]
 [ -95.99959996  -95.97959796  -95.95959596 ...  -94.05940594
   -94.03940394  -94.01940194]
 ...
 [  94.01940194   94.03940394   94.05940594 ...   95.95959596
    95.97959796   95.99959996]
 [  96.01960196   96.03960396   96.05960596 ...   97.95979598
    97.97979798   97.99979998]
 [  98.01980198   98.03980398   98.05980598 ...   99.959996
    99.979998    100.        ]]

imshow()其实就是将数组的值以图片的形式展示出来,数组的值对应着不同的颜色深浅,而数值的横纵坐标就是数组的索引,比如一个1000X1000的数组,图片里的点也就有1000X1000个,比如第一个行第一个点的坐标就是(0,0),它的值会通过colorbar(也就是cmap)反映出来,所以按照我的理解，imshow()函数的功能就是把数值展示成热图。下面是一个简单的代码段：

x = np.linspace(0, 10, 1000)
I = np.sin(x) * np.cos(x[:, np.newaxis])
plt.imshow(I, cmap='RdBu')
cb = plt.colorbar(label='color bar settings')
plt.show()

而整个imshow()函数中的数组的值,则可以通过plt.colorbar()来展示。之后会在右边出现一条颜色bar，而bar的刻度范围（默认情况下）对应的正是数组的最大值到最小值的范围。

x = np.linspace(0, 10, 1000)
I = np.sin(x) * np.cos(x[:, np.newaxis])
speckles = (np.random.random(I.shape) < 0.01)
I[speckles] = np.random.normal(0, 3, np.count_nonzero(speckles))
plt.figure(figsize=(10, 3.5))

plt.subplot(121)
plt.imshow(I, cmap='RdBu')
plt.colorbar(label='noisy points')

plt.subplot(122)
plt.imshow(I, cmap='RdBu')
plt.colorbar(extend='both', label='noisy points extend')
plt.clim(-1, 1)

上面这段代码绘制了两幅图片，一副图是默认的colorbar刻度范围（左图），包含了数组的最大值和最小值；另一幅则自己选定了展示的范围，plt.clim(-1,1)将展示的数据范围锁定在(-1,1)之间（右图）。其余的超出范围的值则通过设置extend参数，使其展示为噪点，extend='both'就是colorbar上下都会有两个小三角。通过下面这个在console中调试的代码段我们可以发现，colorbar的范围确实是数组的值的范围。

print(np.max(I))
11.73080564750175
print(np.min(I))
-12.962268087002979

那为什么第一张图的颜色被冲淡了呢？

我通过改变数组的最大值和最小值，想做做对比：

I[3, 2] = 30
plt.imshow(I, cmap="RdBu")
plt.colorbar(label='max value test')
plt.show()

这是改变了最大值时，可以看出整个图片集中在暖色区，这是因为最大值设置之后，整个颜色条的颜色上移了，在（-1,1）范围内的颜色都是暖色调的，而原本数组中的数值大部分也都在整个范围内，所以展示出来的颜色图也都是暖色；

I[2, 3] = 30
I[10, 20] = -200
plt.imshow(I, cmap="RdBu")
plt.colorbar(label='min and max value test')
plt.show()

而当我们把最小值设置成200的时候，整个颜色bar下移了，在（-1,1）范围内的值的颜色大多是冷色调，因此展示出来的色图也就看起来是一片蓝色。

综上，最开始的两张图中的左图，是因为有几个个别的点超出了（-1,1）的范围，导致色块的范围变大，但实际上许多色块区域的颜色并没有出现在图中，也就是没有点与其对应，而大部分点落在的（-1,1）范围内的颜色都是浅蓝色（正数）和浅红色（负数），因此整个色图颜色比较浅，也就是被几个噪点冲淡了；但是当我们设置参数后，色块范围变成了（-1,1），这样大量的点也都在这个范围内，每个点对应的颜色也就区分开来，色彩比较丰富，深浅比较明晰，就是右图所示，更加清晰可见的展示了负数中心和正数中心。而图上的许多小点点就是超出色块范围的噪点。

最后，extend参数如果不设置的话，唯一的影响就是右边的colorbar没有上下两个小三角显示出来。（目前看来是这样的）