个人认为，Matplotlib在图像处理方面并不是特别的擅长，首先Matplotlib自身仅支持PNG图像的导入，如果想要导入并显示其他格式的图像，需要依靠Pillow库才能实现；其次图像处理说白了就是数组的计算处理，而这主要是依靠numpy来实现的，仅靠Matplotlib自身的方法能实现的功能非常有限。

但是，有总比没有强，今天我们就用下面这张头条免费提供的图来讲解一下如何使用Matplotlib进行简单的图像处理。

一、图像数据导入

想要处理图像，要做的第一步工作就是将图像转换成我们能够识别的格式，Matplotlib的image函数集提供了一个方法——imread，该方法可将PNG格式的图像转换成numpy数组。

import matplotlib.image as mpimg

import os

picName= os.path.dirname(os.path.realpath(__file__))+'/1.png'

img=mpimg.imread(picName)

输出图像数组img我们可以看出：

• 该数组为三维数组，由于该图是一副RGBA图像，所以每四个数字一组对应一个像素点。

• 该数组的数字都是浮点型，而这与我们常见的RGBA图像的数组不太一样，这是因为当我们使用imread方法导入PNG 图像的时候，Matplotlib会自动的将图像数据转换成区间[0,1]内的浮点数。

• 由于该图是一副黑白图像，所以R、G、B三通道的数值均相同

二、图像显示

将图像转换成Matplotlib认识的数组以后，使用imshow方法便可以将图像显示出来。

plt.imshow(img)

在使用该方法的时候，我们还可以创建一个对象，方便对图像进行更多的操作。

imgplot = plt.imshow(img)

伪彩色

在数据导入部分我们讲过，由于我们使用的是一副黑白图像，所以R、G、B三通道的数值都是一样的，当我们只保留一个通道时，图像就变成了单通道图像，此时再用imshow方法Matplotlib会自动显示成一副伪彩色图像。

lum_img = img[:,:,0]

plt.imshow(lum_img)

显示伪彩色图像时，默认的彩色查找表为‘viridis’，我们可以通过cmap关键字设置其他彩色查找表

plt.imshow(lum_img, cmap="hot")

还可以使用绘图对象的set_cmap方法设置彩色查找表

imgplot = plt.imshow(lum_img)

imgplot.set_cmap('nipy_spectral')

使用伪彩色显示图像时，颜色与数值的关系图colorbar可以使图像数据更直观。

plt.imshow(lum_img)

plt.colorbar()

显示特定范围内的数据

当我们需要提高图像的对比度或增强某部分的特性时，通过直方图可以非常直观的看出图像的频率特性。

plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')

从直方图中我们可以看出，数据主要集中在0.1到0.99之间，所以显示图像的时候，我们可以只显示这一部分。

plt.subplot(121)

plt.imshow(lum_img)

plt.title('Before')

plt.colorbar(orientation ='horizontal')

plt.subplot(122)

plt.imshow(lum_img, clim=(0.1, 0.99))

plt.title('After')

plt.colorbar(orientation='horizontal')

插值

当原始图像转变成低分辨率图像时候，我们可以通过插值的方法使图像正常显示。下面结合使用Pillow库导入jpg格式图像演示插值的用法。

from PIL import Image #导入Pillow库

picName= os.path.dirname(os.path.realpath(__file__))+'/1.jpg'

img = Image.open(picName) #导入图像文件

img.thumbnail((64, 64), Image.ANTIALIAS) #将原始图像转变成64*64的图像

plt.imshow(img)

当我们把图像改为64*64时，该图的大部分信息已经丢失，为了使图像正常的在屏幕上显示，imshow默认情况下使用双线性插值法进行插值处理并显示为上图。

另外，通过关键字interpolation可使用其他插值法进行处理显示。

plt.imshow(img, interpolation="bicubic")

关注本头条号后，可在头条号主页下方的GitHub连接中下载本文图像及源代码