# 图像教程
> 原文：[Image tutorial](http://matplotlib.org/users/image_tutorial.html)
> 译者：[飞龙](https://github.com/)
> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
## 启动命令
首先，让我们启动 IPython。 它是 Python 标准提示符的最好的改进，它与 Matplotlib 配合得相当不错。 在 shell 或 IPython Notebook 上都可以启动 IPython。
随着 IPython 启动，我们现在需要连接到 GUI 事件循环。 它告诉 IPython 在哪里（以及如何显示）绘图。 要连接到 GUI 循环，请在 IPython 提示符处执行`%matplotlib`魔法。 在 [IPython 的 GUI 事件循环文档](http://ipython.org/ipython-doc/2/interactive/reference.html#gui-event-loop-support)中有更多的细节。
如果使用 IPython Notebook，可以使用相同的命令，但人们通常以特定参数使用`%matplotlib`：
```
In [1]: %matplotlib inline
```
这将打开内联绘图，绘图图形将显示在笔记本中。 这对交互性有很重要的影响。 对于内联绘图，在单元格下方的单元格中输出绘图的命令不会影响绘图。 例如，从创建绘图的单元格下面的单元格更改颜色表是不可能的。 但是，对于其他后端，例如 qt4，它们会打开一个单独的窗口，那些创建绘图的单元格下方的单元格将改变绘图 - 它是一个内存中的活对象。
本教程将使用`matplotlib`的命令式绘图接口`pyplot`。 该接口维护全局状态，并且可用于简单快速地尝试各种绘图设置。 另一种是面向对象的接口，这也非常强大，一般更适合大型应用程序的开发。 如果你想了解面向对象接口，[使用上的常见问题](http://matplotlib.org/faq/usage_faq.html)是一个用于起步的不错的页面。 现在，让我们继续使用命令式方式：
```py
In [2]: import matplotlib.pyplot as plt
In [3]: import matplotlib.image as mpimg
In [4]: import numpy as np
```
## 将图像数据导入到 NumPy 数组
加载图像数据由 Pillow 库提供支持。 本来，`matplotlib`只支持 PNG 图像。 如果本机读取失败，下面显示的命令会回退到 Pillow。
此示例中使用的图像是 PNG 文件，但是请记住你自己的数据的 Pillow 要求。
下面是我们要摆弄的图片：
它是一个 24 位 RGB PNG 图像（每个 R，G，B 为 8 位）。 根据你获取数据的位置，你最有可能遇到的其他类型的图像是 RGBA 图像，拥有透明度或单通道灰度（亮度）的图像。 你可以右键单击它，选择`Save image as`（另存为）为本教程的剩余部分下载到你的计算机。
现在我们开始...
```py
In [5]: img=mpimg.imread('stinkbug.png')
Out[5]:
array([[[ 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]],
...,
[[ 0.44313726, 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]]], dtype=float32)
```
注意这里的`dtype` - `float32`。 Matplotlib 已将每个通道的8位数据重新定标为 0.0 和 1.0 之间的浮点数。 作为旁注，Pillow 可以使用的唯一数据类型是`uint8`。 Matplotlib 绘图可以处理`float32`和`uint8`，但是对于除 PNG 之外的任何格式的图像，读取/写入仅限于`uint8`数据。 为什么是 8 位呢？ 大多数显示器只能渲染每通道 8 位的颜色渐变。 为什么他们只能渲染每通道 8 位呢？ 因为这会使所有人的眼睛可以看到。 更多信息请见（从摄影的角度）：[Luminous Landscape 位深度教程](http://www.luminous-landscape.com/tutorials/bit-depth.shtml)。
每个内部列表表示一个像素。 这里，对于 RGB 图像，有 3 个值。 由于它是一个黑白图像，R，G 和 B 都是类似的。 RGBA（其中 A 是阿尔法或透明度）对于每个内部列表具有 4 个值，而且简单亮度图像仅具有一个值（因此仅是二维数组，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，`matplotlib`只支持`float32`。 如果你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
所以，你将数据保存在一个`numpy`数组（通过导入它，或生成它）。 让我们渲染它吧。 在 Matplotlib 中，这是使用`imshow()`函数执行的。 这里我们将抓取`plot`对象。 这个对象提供了一个简单的方法来从提示符处理绘图。
```py
In [6]: imgplot = plt.imshow(img)
```
你也可以绘制任何 NumPy 数组。
### 对图像绘图应用伪彩色方案
伪彩色可以是一个有用的工具，用于增强对比度和更易于可视化你的数据。 这在使用投影仪对你的数据进行演示时尤其有用 - 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 都是相似的（见上面或你的数据），我们可以只选择一个通道的数据：
```py
In [7]: lum_img = img[:,:,0]
```
这是数组切片，更多信息请见[NumPy 教程](http://www.scipy.org/Tentative_NumPy_Tutorial)。
```py
In [8]: plt.imshow(lum_img)
```
现在，亮度（2D，无颜色）图像应用了默认颜色表（也称为查找表，LUT）。 默认值称为`jet`。 有很多其他方案可以选择。
```py
In [9]: plt.imshow(lum_img, cmap="hot")
```
请注意，你还可以使用`set_cmap()`方法更改现有绘图对象上的颜色：
```py
In [10]: imgplot = plt.imshow(lum_img)
In [11]: imgplot.set_cmap('spectral')
```
> 注
> 但是，请记住，在带有内联后端的 IPython notebook 中，你不能对已经渲染的绘图进行更改。 如果你在一个单元格中创建了`imgplot`，你不能在以后的单元格中调用`set_cmap()`，并且改变前面的绘图。 请确保你在相同单元格中一起输入这些命令。`plt`命令不会更改先前单元格的绘图。
有许多可选的其它颜色表，请见[颜色表的列表和图像](http://matplotlib.org/examples/color/colormaps_reference.html)。
### 颜色刻度参考
了解颜色代表什么值对我们很有帮助。 我们可以通过添加颜色条来做到这一点。
```py
In [12]: imgplot = plt.imshow(lum_img)
In [13]: plt.colorbar()
```
这会为你现有的图形添加一个颜色条。 如果你更改并切换到不同的颜色映射，则不会自动更改 - 你必须重新创建绘图，并再次添加颜色条。
### 检查特定数据范围
有时，你想要增强图像的对比度，或者扩大特定区域的对比度，同时牺牲变化不大，或者无所谓的颜色细节。 找到有趣区域的最好工具是直方图。 要创建我们的图像数据的直方图，我们使用`hist()`函数。
```py
In [14]: plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')
```
通常，图像的『有趣』部分在峰值附近，你可以通过剪切峰值上方和/或下方的区域获得额外的对比度。 在我们的直方图中，看起来最大值处没有太多有用的信息（图像中有很多不是白色的东西）。 让我们调整上限，以便我们有效地『放大』直方图的一部分。 我们通过将`clim`参数传递给`imshow`来实现。 你也可以通过对图像绘图对象调用`set_clim()`方法来做到这一点，但要确保你在使用 IPython Notebook 的时候，和`plot`命令在相同的单元格中执行 - 它不会改变之前单元格的图。
```py
In [15]: imgplot = plt.imshow(lum_img, clim=(0.0, 0.7))
```
### 数组插值方案
插值根据不同的数学方案计算像素『应有』的颜色或值。 发生这种情况的一个常见的场景是调整图像的大小。 像素的数量会发生变化，但你想要相同的信息。 由于像素是离散的，因此存在缺失的空间。 插值就是填补这个空间的方式。 这就是当你放大图像时，你的图像有时会出来看起来像素化的原因。 当原始图像和扩展图像之间的差异较大时，效果更加明显。 让我们加载我们的图像并缩小它。 我们实际上正在丢弃像素，只保留少数几个像素。 现在，当我们绘制它时，数据被放大为你屏幕的大小。 由于旧的像素不再存在，计算机必须绘制像素来填充那个空间。
我们将使用用来加载图像的 Pillow 库来调整图像大小。
```py
In [16]: from PIL import Image
In [17]: img = Image.open('../_static/stinkbug.png')
In [18]: img.thumbnail((64, 64), Image.ANTIALIAS) # resizes image in-place
In [19]: imgplot = plt.imshow(img)
```
这里我们使用默认插值，双线性，因为我们没有向`imshow()`提供任何插值参数。
让我们试试一些其它的东西：
最邻近
```py
In [20]: imgplot = plt.imshow(img, interpolation="nearest")
```
双立方
```py
In [21]: imgplot = plt.imshow(img, interpolation="bicubic")
```
双立方插值通常用于放大照片 - 人们倾向于模糊而不是过度像素化。
