检查特定数据范围
有时，为了增强图像中的对比度，或在特定区域扩大对比度，无所谓牺牲颜色变化不大或无关紧要的细节。找到“有趣”区域的一个好工具是直方图。为此使用hist()函数创建图像数据的直方图。
hist()：
https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.hist.html#matplotlib.pyplot.hist
·
plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')
完整代码：
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimg = mpimg.imread('D:/5xstar/work/stinkbug.png')lum_img = img[:, :, 0]plt.hist(lum_img.ravel(), bins=256, range=(0.0, 1.0), fc='k', ec='k')
最常见的情况是，图像的“有趣”部分位于峰值附近，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。在上面的直方图中，高段似乎没有太多有用的信息（图像中没有太多白色的东西）。这样，可以调整上限，以便有效地“放大”直方图中的部分。通过传递clim参数给imshow来实现。当然，也可以通过调用绘图对象的set_clim()方法来完成，不过在使用Jupyter Notebook时，需确保在与绘图命令相同的单元格中执行此操作（因为Jupyter Notebook不会更改以前单元格中的绘图）。set_clim()：
https://matplotlib.org/stable/api/cm_api.html#matplotlib.cm.ScalarMappable.set_clim
·
imgplot = plt.imshow(lum_img, clim=(0.0, 0.7))
注：clim参数值(0.0, 0.7)的意思是把0.0到0.7按比例放大为0.0到1.0。
完整代码：
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimg = mpimg.imread('D:/5xstar/work/stinkbug.png')lum_img = img[:, :, 0]imgplot = plt.imshow(lum_img, clim=(0.0, 0.7))
使用返回的绘图对象的set_clim()方法：
·
·
imgplot = plt.imshow(lum_img)imgplot.set_clim((0.0, 0.7))
完整代码：
·
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimg = mpimg.imread('D:/5xstar/work/stinkbug.png')lum_img = img[:, :, 0]imgplot = plt.imshow(lum_img)imgplot.set_clim((0.0, 0.7))
另一个例子的完整代码：
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimg = mpimg.imread('D:/5xstar/work/stinkbug.png')lum_img = img[:, :, 0]fig = plt.figure()ax = fig.add_subplot(1, 2, 1)imgplot = plt.imshow(lum_img)ax.set_title('Before')plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')ax = fig.add_subplot(1, 2, 2)imgplot = plt.imshow(lum_img)imgplot.set_clim(0.0, 0.7)ax.set_title('After')plt.colorbar(ticks=[0.1, 0.3, 0.5, 0.7], orientation='horizontal')
数组插值方案
插值是根据不同的数学方案计算像素“应该”的颜色或值。当调整图像大小时，就会发生这种情况。在图像调大的过程中，需要的像素数改变了，但得到的图像的像素没有改变，以至于像素是离散开来，造成空白的空间。插值是填充这些空间的方式。这就是为什么当把图像放大时，它有时看起来像像素化一样。当原始图像和扩展图像之间的差异较大时，这种效应更加明显。为了更好的理解，截全屏得一图像，并缩小它的尺寸，保存。这样，图像中的像素会被丢弃了，只保留了一部分。然后，重新投放到全屏上，这时，一些旧的像素已经不存在了，计算机必须想办法绘制像素来填充空间，这个方法就是插值。
这里，用Pillow库加载图像并调整图像的大小。
·
·
·
·
from PIL import Imageimg = Image.open('D:/5xstar/work/stinkbug.png')img.thumbnail((64, 64)) # resizes image in-placeimgplot = plt.imshow(img)
完整代码：
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltfrom PIL import Imageimg = Image.open('D:/5xstar/work/stinkbug.png')img.thumbnail((64, 64)) # resizes image in-placeimgplot = plt.imshow(img)
上图使用的是默认插值方案——双线性插值（bilinear），原因是没有向imshow()传递任何插值方案参数。imshow()：
https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.imshow.html#matplotlib.pyplot.imshow
可以试试其他的方案。下面是“nearest（最近的）”方案，它没有插值：
·
imgplot = plt.imshow(img, interpolation="nearest")
完整代码：
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltfrom PIL import Imageimg = Image.open('D:/5xstar/work/stinkbug.png')img.thumbnail((64, 64)) # resizes image in-placeimgplot = plt.imshow(img, interpolation="nearest")
还有，“bicubic（双立方）”方案：
·
imgplot = plt.imshow(img, interpolation="bicubic")
完整代码：
·
·
·
·
·
·
·
ipython%matplotlib tkimport matplotlib.pyplot as pltfrom PIL import Imageimg = Image.open('D:/5xstar/work/stinkbug.png')img.thumbnail((64, 64)) # resizes image in-placeimgplot = plt.imshow(img, interpolation="bicubic")
当放大照片时，通常使用双立方插值——人们倾向于模糊而不是像素化。