咱们接着上一篇，这次咱们讲使用Matplotlib绘制图像的简短尝试。
我的这个系列的上一篇文章在这里：
https://blog.csdn.net/snowdenkeke/article/details/136096870简介
Matplotlib是一个用于绘制图表的Python库，它包含了丰富的图形绘制功能，其中，Matplotlib的Image功能是用于处理和显示图像数据的模块。
使用Matplotlib的Image功能，可以读取、展示和处理图像数据，它支持常见的图像格式，如JPEG、PNG等，并提供了各种方法和函数来操作图像数据。
要读取图像数据，可以使用imread()函数，它可以将图像文件加载到一个NumPy数组中。加载后的图像数据可以通过imshow()函数来显示。
Matplotlib的Image功能还提供了一系列的图像处理函数，如调整图像大小、裁剪、旋转、滤波等。这些函数可以在图像数据上进行操作，并返回处理后的图像数据。
除了基本的图像处理功能外，Matplotlib的Image功能还提供了一些高级的特性，如图像的融合、图像的绘制和叠加、图像的透明度调整等，这些功能可以应用于各种图像处理和视觉化任务中。
总之，Matplotlib的Image功能提供了丰富而强大的图像处理和显示功能，使得用户可以方便地处理和展示图像数据，无论是简单的图像操作还是复杂的图像处理任务，Matplotlib的Image功能都能提供灵活和高效的解决方案。
启动命令
让咱们启动IPython。
它是标准Python提示的一个非常好的增强功能，并且与Matplotlib非常紧密地关联在一起。可以直接在shell上启动IPython，也可以在Jupyter Notebook中启动（其中IPython作为一个运行内核）。
启动IPython后，我们现在需要连接到一个图形用户界面事件循环。
这告诉IPython在哪里（以及如何）显示图形。要连接到GUI循环，请在IPython提示符处执行%matplotlib魔术命令。关于此命令的详细信息，请参阅IPython文档中有关GUI事件循环的部分。
如果您正在使用Jupyter Notebook，相同的命令也可以使用，但人们通常将特定的参数用于％matplotlib魔术命令：
%matplotlib inline
咱们依旧在Conda虚拟环境中启动Jupyter Notebook：
这将打开内联绘图，绘图图形将显示在你的笔记本中。这对交互性有重要的影响。
对于内联绘图，在输出绘图的单元格下面的单元格中的命令不会影响绘图。
例如，无法从创建绘图的单元格下面的单元格中更改色图。
然而，对于其他后端，如打开一个单独窗口的Qt，下面的单元格将更改绘图 - 它是内存中的一个活动对象。
本篇将使用Matplotlib的隐式绘图接口pyplot。
这个接口维护全局状态，非常适用于快速简便地尝试不同的绘图设置。另一种选择是显式接口，更适合于大型应用程序开发。
现在，让我们开始隐式方法的学习：
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
将图像数据导入到NumPy数组中
Matplotlib依赖Pillow库来加载图像数据。
下面是我们要使用的图像：
这是一张24位RGB的PNG图像（每个颜色通道的位数为8位）。
根据获得数据的方式，您可能会遇到其他类型的图像，最常见的是包含透明度的RGBA图像，或者单通道灰度（亮度）图像。
我们使用Pillow来打开图像（使用PIL.Image.open），然后立即将PIL.Image.Image对象转换为8位（dtype=uint8）的numpy数组。
img = np.asarray(Image.open('./stinkbug.png'))
print(repr(img))
（小伙伴们可以将这张图像拷贝到工作目录中）
我的执行如下：
每个内部列表代表一个像素，在这里，对于一个 RGB 图像，有 3 个值。由于这是一张黑白图片，R、G 和 B 都是相似的。一个 RGBA 图像（其中 A 代表 alpha 或透明度）每个内部列表有 4 个值，而一个简单的亮度图像只有一个值（因此只是一个 2D 数组，而不是一个 3D 数组）。对于 RGB 和 RGBA 图像，Matplotlib 支持 float32 和 uint8 数据类型。对于灰度图像，Matplotlib 只支持 float32。如果你的数组数据不符合上述描述，你需要重新缩放它。
将numpy数组绘制为图像
您刚才已经将数据存储在一个numpy数组中（通过导入或生成）。
我们可以使用Matplotlib的imshow()函数来显示它，在这里，我们将获取绘图对象，这个对象可以方便地在提示符下操作绘图。
imgplot = plt.imshow(img)
我的执行如下：
（您还可以绘制任何NumPy数组。）
将伪彩色方案应用于图像绘图
伪彩色可以是增强对比度和更轻松地可视化数据的有用工具，当使用投影仪展示数据时，这尤其有用-它们的对比度通常很差。
伪彩色只与单通道、灰度、亮度图像相关。我们目前有一个RGB图像，由于R、G和B都相似（可在上方或数据中自行查看），我们可以使用数组切片来选择数据的一个通道（您可以在Numpy教程中了解更多信息）。
lum_img = img[:, :, 0]
plt.imshow(lum_img)
现在，对于一张亮度（2D，无色彩）图像，会应用默认的色彩映射表（也称为查找表，LUT）。默认的色彩映射表被称为viridis。还有很多其他选择。
plt.imshow(lum_img, cmap="hot")
我的执行如下：
请注意，您还可以使用set_cmap()方法来更改现有绘图对象的颜色映射：
imgplot = plt.imshow(lum_img)
imgplot.set_cmap('nipy_spectral')
注意：
***请记住，在使用内联后端的Jupyter Notebook中，无法对已呈现的图进行更改。*如果您在一个单元格中创建了imgplot，则不能在以后的单元格中调用set_cmap()并期望更早的绘图发生变化。确保您将这些命令一起输入一个单元格中。plt命令不会更改之前单元格中的绘图。
还有许多其他的颜色映射方案可供选择，请查看颜色映射的列表和图像。
颜色标度参考
在图表中添加一个颜色条是有助于了解颜色所代表的价值的。
imgplot = plt.imshow(lum_img)
plt.colorbar()
我的执行：
检查特定的数据范围
有时候，您可能希望增强图像的对比度，或者在牺牲不太变化或不重要的颜色细节的情况下，扩大特定区域的对比度。一个很好的工具来找到有趣的区域是直方图。为了创建我们图像数据的直方图，我们使用hist()函数。
plt.hist(lum_img.ravel(), bins=range(256), fc='k', ec='k')
通常，图像中"有趣"的部分通常在峰值附近，通过裁剪峰值上方和/或下方的区域，可以获得额外的对比度，在我们的直方图中，高端似乎没有太多有用的信息（图像中没有太多白色物体），让我们调整上限，以便我们有效地"放大"直方图的一部分。
我们通过设置colormap限制clim来实现这一点。
可以通过在调用imshow时传递一个clim关键字参数来实现这一点：
plt.imshow(lum_img, clim=(0, 175))
这也可以通过调用返回的图像绘制对象的set_clim()方法来实现，但是在使用Jupyter Notebook时，请确保在与绘图命令相同的单元格中进行操作，否则它不会更改先前单元格中的绘图。
imgplot = plt.imshow(lum_img)
imgplot.set_clim(0, 175)
数组插值方案
插值计算了像素的颜色或值，根据不同的数学方案，计算出像素"应该"是什么。
一个常见的应用场景是调整图像的大小，像素的数量发生了变化，但你希望保留相同的信息。
由于像素是离散的，存在着缺失的空间，插值就是用来填充这个空间的方法，这就是为什么当你放大图像时，图像有时会出现像素化的效果。当原始图像和放大后的图像之间的差异越大时，效果就更加明显，让我们来缩小一下我们的图像，我们有效地丢弃了一些像素，只保留了一小部分，现在当我们绘制它时，这些数据被放大到屏幕上的尺寸，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"pillow"库来加载图片并调整图片的大小。
img = Image.open('./stinkbug.png')
img.thumbnail((64, 64)) # resizes image in-place
imgplot = plt.imshow(img)
在这里，我们使用默认的插值方法（"nearest"），因为我们没有给imshow()函数传递任何插值参数。
让我们尝试一些其他的词。这是"双线性"的意思：
imgplot = plt.imshow(img, interpolation="bilinear")
和双三次插值：
imgplot = plt.imshow(img, interpolation="bicubic")
双三次插值经常用于放大照片 - 人们倾向于模糊而不是像素化。