matplotlib之imshow

imshow方法

matplotlib.pyplot.imshow(
    X, cmap=None, norm=None, aspect=None, 
    interpolation=None, alpha=None, vmin=None, vmax=None, 
    origin=None, extent=None, shape=None, filternorm=1, 
    filterrad=4.0, imlim=None, resample=None, 
    url=None, hold=None, data=None, **kwargs)

参数

X : 类数组, shape (n, m) or (n, m, 3) or (n, m, 4)

在当前的坐标系中显示图像X，X可能是数组或者PIL图像，如果是数组：

MxN – values to be mapped (float or int) MxNx3 – RGB (float or uint8) MxNx4 – RGBA (float or uint8)

MxN的每个数都会通过Normalize和Colormap映射到图像

如果是整数范围在[0,255]，如果是浮点数范围在[0,1]

cmap : Colormap, 可选，默认使用rc image.cmap配置的，如果X是三维数组，忽略

aspect : [‘auto’ | ‘equal’ | scalar], 可选,默认 rc image.aspect配置值

如果是‘auto’, changes the 图像长宽比将和坐标系匹配

如果是‘equal’, 并且extent为None,坐标系长宽比将匹配图像，如果extent不为None，坐标系的长宽比将匹配extent

interpolation : string, 可选，差值方式，默认rc image.interpolation配置值

可以搜索一下"图像差值"可能更加有助于理解这个参数

‘none’, ‘nearest’, ‘bilinear’, ‘bicubic’, ‘spline16’, ‘spline36’, ‘hanning’, ‘hamming’, ‘hermite’, ‘kaiser’, ‘quadric’, ‘catrom’, ‘gaussian’, ‘bessel’, ‘mitchell’, ‘sinc’, ‘lanczos’之一

norm : Normalize, 可选，颜色映射使用

vmin, vmax : scalar, 可选，如果设置Normalize,忽略

alpha : scalar, 可选，透明度[0,1],如果X使用的是RGBA,忽略

origin : [‘upper’ | ‘lower’], 可选，默认rc image.origin配置值

坐标(0,0)在左下角还是左上角

extent : scalars (left, right, bottom, top), 可选

数据坐标，图像范围(左下角坐标和右上角坐标)

shape : scalars (columns, rows),可选，图像原生缓冲区

filternorm : scalar, 可选, 默认: 1

给图形大小调整过来使用的参数当filternorm = 1, 将过滤整数值和纠正取整(rounding)错误。不会过滤浮点数。

filterrad : scalar, 可选, 默认: 4.0

为使用半径参数的filter提供，例如：interpolation是‘sinc’, ‘lanczos’ or ‘blackman’中的一个。

返回值

image : AxesImage

实例说明

imshow可能不好理解，因为涉及到很多图形处理相关的知识。我们先从简单的例子说一下，例如我们使用MxN数据。为什么事2维的呢？因为平面是2维的。MxN中的每一个数据都会通过Normalize和Colormap映射出来放到一个位置上，注意MxN不是坐标数据而是像素数据，一个数据对应一个像素位置。

像素数据不能填充指定尺寸的图形怎么办？interpolation就有作用了，选择一个图形插值方式，没有数据的就是用指定的插值方式填充。

# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np


# extent = (-3,1,-3,1)
fig = plt.figure(frameon=False)

data = np.add.outer(range(8), range(8)) % 2
print data
# plt.imshow(data, cmap=plt.cm.gray, interpolation=''nearest'',extent=extent)
# plt.imshow(data, cmap=plt.cm.gray, interpolation=''bilinear'',extent=extent)
# plt.imshow(data, cmap=plt.cm.gray, interpolation=''bicubic'',extent=extent)
# plt.imshow(data, cmap=plt.cm.gray, interpolation=''nearest'')
plt.imshow(data, cmap=plt.cm.gray, interpolation=''nearest'',origin="lower")


plt.savefig("gray.png")
plt.show()

[[0 1 0 1 0 1 0 1]
 [1 0 1 0 1 0 1 0]
 [0 1 0 1 0 1 0 1]
 [1 0 1 0 1 0 1 0]
 [0 1 0 1 0 1 0 1]
 [1 0 1 0 1 0 1 0]
 [0 1 0 1 0 1 0 1]
 [1 0 1 0 1 0 1 0]]

输出大概是这个样子滴：

从图像和数据的对比我们可以比较容易看出，一个数据对应着一个点。坐标周围没有数据的就使用图像插值的方式填充。

再来一个改进版的：

# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np


dx, dy = 0.05, 0.05

x = np.arange(-3.0, 3.0, dx)
y = np.arange(-3.0, 3.0, dy)


extent = np.min(x), np.max(x), np.min(y), np.max(y)
# extent = (-3,1,-3,1)
fig = plt.figure(frameon=False)

dataBase = np.add.outer(range(8), range(8)) % 2
print dataBase
plt.imshow(dataBase, cmap=plt.cm.gray, interpolation=''nearest'',extent=extent)
# plt.imshow(dataBase, cmap=plt.cm.gray, interpolation=''bilinear'',extent=extent)
# plt.imshow(dataBase, cmap=plt.cm.gray, interpolation=''bicubic'',extent=extent)
# plt.imshow(dataBase, cmap=plt.cm.gray, interpolation=''nearest'')

dataForeign = np.random.rand(8,8)*3
print dataForeign
# plt.imshow(dataForeign, cmap=plt.cm.viridis, alpha=0.9, interpolation=''bilinear'',extent=extent)
plt.imshow(dataForeign, cmap=plt.cm.viridis, alpha=0.9, interpolation=''bicubic'',extent=extent)

plt.savefig("viridis.png")
plt.show()

再来一个例子看一看：

# -*- coding:utf-8 -*-
import matplotlib.cm as cm
import matplotlib.pyplot as plt
from matplotlib.patches import Circle, PathPatch
from matplotlib.path import Path
import numpy as np

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


r = np.random.rand(50)
t = np.random.rand(50) * np.pi * 2.0
x = r * np.cos(t)
y = r * np.sin(t)

fig, ax = plt.subplots(figsize=(6, 6))
# circle = Circle((0, 0), 1, facecolor=''none'',edgecolor=(0, 0.8, 0.8), linewidth=3, alpha=0.5)
circle = Circle((0, 0), 1, facecolor=''none'',edgecolor=''b'', linewidth=3)
ax.add_patch(circle)
ax.axis("off")
ax.axis([-2,2,-2,2])
interpolation = [''none'', ''nearest'', ''bilinear'', ''bicubic'', ''spline16'', ''spline36'', ''hanning'', ''hamming'', ''hermite'', ''kaiser'', ''quadric'', ''catrom'', ''gaussian'', ''bessel'', ''mitchell'', ''sinc'', ''lanczos'']
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''spline36'',extent=([-1, 1, -1, 1]))
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''lanczos'',extent=([-1, 1, -1, 1]))
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''sinc'',extent=([-1, 1, -1, 1]))
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''mitchell'',extent=([-1, 1, -1, 1]))
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''bessel'',extent=([-1, 1, -1, 1]))
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''gaussian'',extent=([-1, 1, -1, 1]))
# im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap=cm.winter,interpolation=''catrom'',extent=([-1, 1, -1, 1]))
im = plt.imshow(np.random.random((100, 100)),origin=''lower'', cmap="CMRmap",interpolation=''catrom'',extent=([-1, 1, -1, 1]))
im.set_clip_path(circle)

plt.plot(x, y, ''o'', color=(0.9, 0.9, 1.0), alpha=0.8)
plt.savefig("circle.png")
plt.show()

从上面的例子我们可以看出imshow在画一下背景和处理蒙版效果还是非常好的，当然imshow还有其他的功能，比如加载显示图像等。

参考

matplotlib.pyplot.imshow

Colormaps in Matplotlib

matplotlib图和imshow

matplotlib的plot和imshow的行为令我感到困惑。

import matplotlib as mplimport matplotlib.pyplot as plt

如果在调用plt.imshow（i）之前先调用plt.show（），则会导致错误。如果我在调用plt.show（）之前先调用plt.imshow（i），那么一切都会正常进行。但是，如果我关闭第一个打开的图形，然后调用plt.imshow（i），则将显示一个新图形，而无需调用plt.show（）。

有人可以解释吗？

答案1

如果在调用plt.imshow（i）之前先调用plt.show（），则会导致错误。如果我在调用plt.show（）之前先调用plt.imshow（i），那么一切都会正常进行。

plt.show()显示该图（并进入您正在使用的任何gui后端的主循环）。在绘制事物并希望看到它们显示之前，不应该调用它。

plt.imshow()在当前图形上绘制图像（创建图形时没有当前图形）。plt.show()在绘制任何内容之前先打电话没有任何意义。如果要显式创建新图形，请使用plt.figure()。

…无需调用plt.show（）即可显示新图形。

除非您以类似于ipython的pylab模式的方式运行代码，否则不会发生这种情况，其中gui后端的mainloop将在单独的线程中运行…

一般来说，plt.show（）将是脚本的最后一行。（或者，无论何时要停止并以可视化方式可视化绘制的图，都会调用。）

希望这更有意义。

OpenCV里的imshow()和Matplotlib.pyplot的imshow()的实现

一、问题

在Python里使用OpenCV时，一般是通过cv2.imread读入图片，然后用plt.imshow显示图片，但最近学习OpenCV时这样做的结果与预期的结果有较大的出入。查找资料后，才明白OpenCV里的imshow()和Matplotlib.pyplot的imshow()在使用上有一些区别，不注意的话很容易就会导致很奇怪的结果。

下面的示例代码及运行结果显示了这种差异：

import cv2
import matplotlib.pyplot as plt

#以灰度模式读入图片
messi=cv2.imread('messi.jpg',0)

#使用matplotlib.pyplot的imshow显示图片
plt.imshow(messi),plt.title('messi_plt')
plt.xticks([]),plt.yticks([]) #隐藏坐标轴
plt.show()

#使用opencv的imshow显示图片
cv2.imshow('messi_cv',messi)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下:

左边是原图，中间是cv2.imshow的显示结果，右边是plt.imshow的显示结果。很明显地看到，明明是读入灰度图，plt.imshow的结果却更像是张彩图，这显然是有问题的。

二、分析和解决办法

为了比较和分析OpenCV里imshow()和Matplotlib.pyplot里imshow()这两者的差异，下面分别对显示彩图以及显示灰度图这两种情况来进行说明。

彩色图

对于彩色图片，一般由R，G，B三个通道构成。然而，需要注意的是，OpenCV里彩色图片加载时是按照BGR的顺序，Matplotlib里彩色图片加载时是按照RGB的顺序。所以，当我们用cv2.imread读入图片，用cv2.imshow来显示时自然是不会出问题的，但若用plt.imshow来显示就会出现问题，如下面的结果所示。
这里省略示例代码（和上面的几乎相同，只是不要在cv2.imread里设置“0”这个参数即可），运行结果如下：

左边是原图，中间是cv2.imshow的显示结果，右边是plt.imshow的显示结果。显然，plt.imshow的结果出现了问题。
为了解决这个问题，方法很简单，就是将通道R和通道B的内容调换一下，再用plt.imshow显示时就正常了。下面给出该方法的示例代码：

import cv2
import matplotlib.pyplot as plt

#读入彩色图片
messi=cv2.imread('messi.jpg',1)

#使用matplotlib.pyplot的imshow显示图片
plt.imshow(messi),plt.yticks([]) #隐藏坐标轴
plt.show()

##调换r、b通道，生成rgb顺序的图片并显示
b,g,r=cv2.split(messi) #通道的拆分
messi_rgb=cv2.merge((r,b)) #通道的融合
plt.imshow(messi_rgb),plt.title('messi_rgb_plt')
plt.xticks([]),plt.yticks([])
plt.show()

#使用opencv的imshow显示图片
cv2.imshow('messi_cv',messi)
cv2.waitKey(0)
cv2.destroyAllWindows()

灰度图

灰度图是单通道图片，按理说不会出现上面彩色图的那种问题，不管是用cv2.imshow显示还是用plt.imshow显示，结果都应该是一样的。然而，事实却并非如此（如最开始的示例所示）。我纠结了好久不知道原因是什么，一开始以为是opencv和matplotlib的版本不匹配，结果更新版本之后还是有这个问题。后来，去找来matplotlib的api文档才明白是咋回事。
matplotlib.pyplot.imshow函数里，有一个参数是cmap，api文档里给出的说明是：

cmap : str or Colormap,optional
The Colormap instance or registered colormap name used to map scalar data to colors. This parameter is ignored for RGB(A) data. Defaults to rcParams[“image.cmap”] = ‘viridis'.

大致的意思是说，cmap给出了标量值如何映射到颜色空间，并且对于RGB(A)图像此参数是忽略的；默认参数可查看rcParams[“image.cmap”]。链接转过去的文档是matplotlib的示例配置文档matplotlibrc，里面定义了各种变量的默认值（这也是为什么我们在调用matplotlib里的函数时，有些参数我们没给值也能正常运行的原因）。在这里能看到，cmap的默认值是viridis，这也就说明了在使用plt.imshow显示灰度图时出现问题的原因。

因此，为了解决该问题，使plt.imshow能正常地显示灰度图，方法也很简单，就是修改cmap的值为'gray'。示例代码如下：

import cv2
import matplotlib.pyplot as plt

#读入彩色图片
messi=cv2.imread('messi.jpg',0)

#使用opencv的imshow显示图片
cv2.imshow('messi_cv',messi)
cv2.waitKey(0)
cv2.destroyAllWindows()

#使用matplotlib.pyplot的imshow显示图片
#cmap使用默认值
plt.imshow(messi),plt.title('messi_camp_default')
plt.xticks([]),plt.yticks([]) #隐藏坐标轴
plt.show()

#使用matplotlib.pyplot的imshow显示图片
#cmap设置为'gray'
plt.imshow(messi,cmap='gray'),plt.title('messi_camp_gray')
plt.xticks([]),plt.yticks([]) #隐藏坐标轴
plt.show()

运行结果为：

左边是cv2.imshow的显示结果，中间和右边的是plt.imshow的显示结果。

另外，cmap的值除了可以取默认参数及'gray'外，还有很多值可供我们选择，详细的说明在这里。其实这些东西了解下就行，等实际使用时，查阅下、试一试。根据需要选择合适的就可以了。

注：
1.关于matplotlib里的imshow函数更详细的说明在这里。
2.关于matplotlib.matplotlibrc文档更详细的说明在这里。
3.如果想查看或编辑自己电脑里的matplotlibrc文件，可使用此命令matplotlib.matplotlib_fname()获取路径。

三、总结

由于OpenCV里的imshow和Matplotlib里的imshow的一些差异，在使用时主要是要注意两点：
1.显示彩色图时，要把b、r通道调换一下。
2.显示灰度图时，记得设置cmap的值为'gray'。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

今天关于如何在matplotlib中“关闭” imshow和的模糊效果？的分享就到这里，希望大家有所收获，若想了解更多关于Matplotlib imshow 不更新图形、matplotlib之imshow、matplotlib图和imshow、OpenCV里的imshow()和Matplotlib.pyplot的imshow()的实现等相关知识，可以在本站进行查询。