Matplotlib 图像可视化之 inshow 函数详解

数据STUDIO

发布于 2022-04-11 13:07:35

3.2K0

发布于 2022-04-11 13:07:35

文章被收录于专栏：数据STUDIO

图片是一种非常重要的表达方式，在数据分析的很多场景，也需要借助显示一些图片，来形象化抽象数据，以此传达数据的深层次含义。那么在 matplotlib 里是怎么样来显示图片呢？如何绘制出如下图片呢？

幸运的是 matplotlib 通过调用函数 imshow() 轻松实现显示图片的功能。不过此函数由于参数非常多，要想一下子地理解它，是困难的，也是不可能的。因此今天通过介绍参数及做一些简单的应用，来加深印象。

imshow函数简介

Axes.imshow(X, cmap=None, norm=None, *, 
            aspect=None, interpolation=None, 
            alpha=None, vmin=None, vmax=None, 
            origin=None, extent=None, 
            interpolation_stage=None, 
            filternorm=True, filterrad=4.0, 
            resample=None, url=None, 
            data=None, **kwargs)

参数说明

参数：X

图像数据。支持的数组形状是：
- （M，N）：带有标量数据的图像。数据可视化使用色彩图。
- （M，N，3）：具有RGB值的图像（float或uint8）。
- （M，N，4）：具有RGBA值的图像（float或uint8），即包括透明度。

-前两个维度（M，N）定义了行和列图片，即图片的高和宽；RGB（A）值应该在浮点数[0, ..., 1]的范围内，或者整数[0, ... ,255]。超出范围的值将被剪切为这些界限。

参数：cmap

将标量数据映射到色彩图
颜色默认为：rc：image.cmap。

参数：norm :~matplotlib.colors.Normalize

如果使用scalar data ，则Normalize会对其进行缩放[0,1]的数据值内。
默认情况下，数据范围使用线性缩放映射到颜色条范围。RGB（A）数据忽略该参数。

参数：aspect: {'equal'，'auto'}或float，可选

控制轴的纵横比。该参数可能使图像失真，即像素不是方形的。
- equal：确保宽高比为1,像素将为正方形。（除非像素大小明确地在数据中变为非正方形,坐标使用 extent ）。
- auto: 更改图像宽高比以匹配轴的宽高比。通常，这将导致非方形像素。

参数：interpolation: str

使用的插值方法
支持的值有： 'none', 'nearest', 'bilinear', 'bicubic','spline16', 'spline36', 'hanning', 'hamming', 'hermite', 'kaiser','quadric', 'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc','lanczos'
如果interpolation = 'none'，则不执行插值

参数：alpha

alpha值，介于0（透明）和1（不透明）之间。RGBA输入数据忽略此参数。

参数：vmin, vmax : scalar

如果使用 norm 参数，则忽略 vmin，vmax。
vmin，vmax与norm结合使用以标准化亮度数据。

参数：origin : {'upper', 'lower'}

将数组的[0,0]索引放在轴的左上角或左下角。
'upper'通常用于矩阵和图像。
请注意，垂直轴向上指向“下”但向下指向“上”。

参数：extent：(left, right, bottom, top）

数据坐标中左下角和右上角的位置。如果为“无”，则定位图像使得像素中心落在基于零的（行，列）索引上。

imshow函数应用

热图

热力图是一种数据的图形化表示，具体而言，就是将二维数组中的元素用颜色表示。热力图之所以非常有用，是因为它能够从整体视角上展示数据，更确切的说是数值型数据。

使用imshow()函数可以非常容易地制作热力图。

# 标签和数据略
vegetables = [...]
farmers = [...]
harvest = np.array([...])
# 定义画布
fig, ax = plt.subplots()
im = ax.imshow(harvest)

# 显示所有的勾号，并用相应的列表条目为它们标上标签
ax.set_xticks(np.arange(len(farmers))labels=farmers)
ax.set_yticks(np.arange(len(vegetables)), labels=vegetables)
# 旋转标记标签并设置它们的对齐方式。
plt.setp(ax.get_xticklabels(), rotation=45,
         ha="right", rotation_mode="anchor")
# 循环数据维度并创建文本注释。
for i in range(len(vegetables)):
    for j in range(len(farmers)):
        text = ax.text(j, i, harvest[i, j],
                       ha="center", va="center", color="w")

更加复杂的热图绘制：

条形码

计算图形大小，以便像素宽度是数据点数量的倍数，以防止插值伪影。此外，它 Axes被定义为跨越整个图形并且全部Axis关闭。

数据本身是imshow使用渲染的。

code.reshape(1, -1)将数据转换为一行的二维数组。
imshow(..., aspect='auto')允许非方形像素。
imshow(..., interpolation='nearest')以防止边缘模糊。

code = np.array([1,0,1,0... 0, 1])
ax.imshow(code.reshape(1, -1),
          cmap='binary', aspect='auto',
          interpolation='nearest')

照片截段

with matplotlib.cbook.get_sample_data('@公众号:数据STUDIO.jpg') as image_file:
    image = plt.imread(image_file)
fig, ax = plt.subplots()
ax.imshow(image)
im = ax.imshow(image)
patch = matplotlib.patches.Circle((1200, 900), radius=800, transform=ax.transData)
im.set_clip_path(patch)
ax.axis('off')
plt.show()

有趣的应用

重写imshow函数，以应用平移、缩放和旋转，并使用随机值调用该函数多次。当然，这里还需要掌握Matplotlib坐标轴系统，运用其坐标轴变换，以改变图像的旋转。具体可见：Matplotlib 可视化之图表坐标系统

def imshow(ax, I, position=(0, 0), scale=1, angle=0, zorder=10):
    # print(I.shape)
    height, width, channel = I.shape
    extent = scale * np.array([-width / 4, width / 4, -height / 4, height / 4])
    im = ax.imshow(I, extent=extent, zorder=zorder, cmap="cividis")
    transform = transforms.Affine2D().rotate_deg(angle).translate(*position)
    trans_data = transform + ax.transData
    im.set_transform(trans_data)
    x1, x2, y1, y2 = im.get_extent()
    ax.plot(
        [x1, x2, x2, x1, x1],
        [y1, y1, y2, y2, y1],
        "white",
        alpha=0,
        linewidth=25 * scale,
        transform=trans_data,
        zorder=zorder - 0.1,
    )

随机角度，随机大小

I = imageio.imread("../data/数据STUDIO-02.png")
for i in range(10):
    ind = random.choice([0, 1, 2, 3])
    position = np.random.uniform(-100, 1100, 2)
    scale = np.random.uniform(0.20, 0.25)
    angle = np.random.uniform(-75, +75)
    imshow(ax, I, position, scale, angle, zorder=10 + i)