imshow I.: manual k matplotlib.pyplot (python)

matplotlib.pyplot.imshow

Tato funkce slouží k zobrazení dat jako obrázku, tedy na 2D pravidelný rastr.

Vstupem může být buď reálná RGB(A) data nebo 2D skalární data, která budou zobrazena jako pseudobarvový obrázek. Pro zobrazení černobílého obrázku nastavte colormapu pomocí parametrů cmap='gray', vmin=0, vmax=255.

Počet pixelů použitých k vykreslení obrázku je určen velikostí os a dpi obrázku. To může vést k artefaktům aliasingu při vzorkování obrázku, protože velikost zobrazeného obrázku obvykle neodpovídá velikosti X (viz antialiasing obrázku). Vzorkování lze ovládat pomocí parametru interpolation a/nebo rcParams["image.interpolation"] (výchozí: 'antialiased').

Vysvětlení termínů interpolace, vzorkování, antialiasing

Ve většině případů, kdy se hovoří o vzorkování a interpolaci v kontextu digitálního zpracování obrazu, se to týká procesu převodu dat, která jsou ve větším rozlišení nebo objemu, na menší formát, který je vhodný k zobrazení na zařízení s nižším rozlišením, jako jsou monitory, mobilní telefony nebo webové stránky.

V příkladu že máme mapu ČR v rozlišení 150 metrů na pixel by opravdu šlo o velký soubor, který by bylo obtížné zobrazit na monitoru s nižším rozlišením. Pro zobrazení na takovém zařízení je tedy potřeba provést zmenšení obrázku, což může zahrnovat vzorkování dat a následnou interpolaci, aby se zachovala co největší kvalita obrazu.

Vzorkování spočívá v redukci počtu vzorků nebo pixelů v obrázku, zatímco interpolace se používá k vytvoření nových hodnot mezi existujícími daty, což umožňuje zachování detailů a plynulých přechodů mezi body.

V tomto kontextu se interpolace používá k určení barev a intenzit hodnot při zmenšování obrázku a přizpůsobení ho pro zobrazení na zařízeních s nižším rozlišením.

Vzorkování dat se týká způsobu, jakým se načítají a zpracovávají data v digitálním zpracování obrazu. Jedná se o proces redukce množství dat nebo jejich rozlišení za účelem úspory paměti nebo zrychlení výpočtů.

Mějme příklad s fotkou o rozlišení 640x400, kterou zvětšíme na 6400x4000 a pak zmenšíme zpět na 320x200. Pokud bychom jednoduše zmenšili fotku na cílové rozlišení, mohlo by dojít k degradaci kvality a vzniku viditelných artefaktů, jako jsou velké barevné čtverce, které jste zmínil. Proto se často používá vzorkování, při kterém se z originálních dat vybere podmnožina, například každý pátý pixel, a poté se na této podmnožině provádí interpolace, aby se vytvořil nový obrázek s nižším rozlišením, který zachovává co nejvíce detailů z původního obrázku.

Interpolace hraje důležitou roli při tomto procesu, protože umožňuje vytvořit plynulé přechody mezi vzorky a zachovat co nejlepší kvalitu obrazu při zmenšování.

Antialiasing je technika v digitálním zpracování obrazu, která se používá k redukci artefaktů spojených s aliasingem, což jsou nepřesnosti ve vzorkování obrazu, které mohou vytvářet nežádoucí jevy, jako jsou hrany a linie, které vypadají zubatě nebo se projevuje efekt moiré. Antialiasing pracuje tím, že vyhlazuje hrany a přechody mezi různými barvami, což vede ke vzniku plynulého a přirozeného vzhledu obrazu.

V kontextu interpolace, která se používá při zmenšování obrázku, může antialiasing hrát klíčovou roli při eliminaci nežádoucích artefaktů spojených s aliasingem. Pokud zmenšujete obrázek, můžete použít antialiasing k vyhlazení hran a přechodů mezi barvami, což vede k vytvoření měkčího a přirozenějšího vzhledu.

Nicméně, je důležité si uvědomit, že ve specifických situacích, jako je hledání vad nebo sledování přesných hodnot, jako je tomu při ověřování vědeckých dat, je antialiasing nežádoucí. V těchto případech může antialiasing způsobit ztrátu detailů a přesnosti, což by vedlo k chybám při analýze dat nebo identifikaci příčin problémů.

Rozhodnutí o použití antialiasingu je tedy závislé na konkrétních požadavcích a cílech zpracování obrazu. Pro většinu běžných aplikací, zejména pokud jde o zobrazování na displejích s vysokým rozlišením, je antialiasing obvykle žádoucí pro dosažení vizuálně příjemného výsledku. Nicméně, pro analýzu dat, hledání chyb a retušování fotografií je nutné antialiasing vypnout, aby nedošlo ke zkreslení dat a přehlédnutí hledaných nedostatků.

Parametry:

matplotlib.pyplot.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) 

 

X - data podobné poli nebo PIL obrázek (Python Imaging Library - dnes Pillow) Obrázková data. Podporované tvary pole jsou: (M, N): obrázek se skalárními daty. Hodnoty jsou mapovány na barvy pomocí normalizace a colormapy. Viz parametry norm, cmap, vmin, vmax. (M, N, 3): obrázek s RGB hodnotami (0-1 float nebo 0-255 int). (M, N, 4): obrázek s RGBA hodnotami (0-1 float nebo 0-255 int), tj. včetně průhlednosti. První dva rozměry (M, N) definují řádky a sloupce obrázku. Hodnoty RGB(A) mimo rozsah jsou oříznuty


POZN. PIL obrázek je automaticky interpretován jako dvourozměrná nebo třírozměrná pole hodnot pixelů, které je možné zobrazit. To znamená, že můžete pracovat s PIL obrázky přímo v matplotlib, aniž byste museli provádět jakoukoli další konverzi nebo úpravy formátu. cmap - jméno colormapy nebo instance Colormap, výchozí: rcParams["image.cmap"] (výchozí: 'viridis') Instance Colormapy nebo registrované jméno colormapy použité k mapování skalárních dat na barvy. Tento parametr je ignorován, pokud je X RGB(A).

norm - normalizační metoda nebo instance Normalize, volitelné

Normalizační metoda použitá k převodu skalárních dat na rozsah [0, 1] před mapováním na barvy pomocí colormapy. Výchozí je lineární škálování, při kterém nejnižší hodnota je mapována na 0 a nejvyšší na 1. Pokud je uvedeno, může to být jedno z následujících: Instance Normalize nebo jedna z jejích podtříd (viz normalizace colormapy).

vmin, vmax - minimální a maximální hodnota dat, volitelné

Při použití skalárních dat a žádné explicitní normalizaci vmin a vmax určují rozsah dat, který colormapa pokrývá. Výchozí colormapa pokrývá kompletní rozsah hodnot dodaných dat. Je chybou používat vmin/vmax, když je dána instance norm (ale použití normálního názvu spolu s vmin/vmax je přijatelné). Tento parametr je ignorován, pokud je X RGB(A).

interpolation_stage - 'data' nebo 'rgba', výchozí: 'data'

Pokud 'data', interpolace se provádí na datech poskytnutých uživatelem. Pokud 'rgba', interpolace se provádí po aplikaci colormapy (vizuální interpolace).

Poznámky

Pokud není použit extent, středy pixelů budou umístěny na celočíselných souřadnicích. Jinými slovy: počátek souřadnic bude souhlasit s středem pixelu (0, 0).

Existují dvě běžné reprezentace RGB obrázků s alfa kanálem:

Přímý (neassociovaný) alfa kanál: kanály R, G a B reprezentují barvu pixelu, bez ohledu na jeho průhlednost. Předem násobený (associovaný) alfa kanál: kanály R, G a B reprezentují barvu pixelu, upravenou pro jeho průhlednost násobením.

 Další parametry - viz manuál

1. Colormap (barevná mapa): Barevná mapa je způsob, jak přiřazujete barvy hodnotám v obrázku. Když používáte funkci imshow k zobrazení dat, colormap určuje, jaké barvy budou použity pro různé hodnoty v obrázku. Například, pokud máte teplotní mapu, můžete použít colormap, aby nízké teploty byly modré a vysoké teploty červené. Parametr cmap v imshow umožňuje specifikovat, jakou barevnou mapu chcete použít pro zobrazení dat. Například cmap='viridis' použije barevnou mapu viridis, která je populární pro zobrazení vědeckých dat.

2. rcParams: rcParams jsou zkratka pro "runtime configuration parameters" a jsou to v podstatě nastavení výchozích hodnot pro matplotlib. Pokud nepředáte specifické hodnoty pro parametry jako cmap, aspect nebo interpolation, matplotlib použije hodnoty uložené v rcParams. To umožňuje nastavit výchozí chování matplotlibu podle vašich preferencí.

3. Aspect ratio (poměr stran): Poměr stran určuje, jaké budou poměry mezi délkou a šířkou vašeho grafu. Pokud nastavíte aspect='equal', zaručíte, že výstupní graf bude mít čtvercové pixely, což může být užitečné pro zobrazení dat, kde je důležité zachovat přesný poměr mezi osami x a y.

4. Interpolace: Interpolace určuje, jak matplotlib vypočítává barvy nových pixelů při zvětšování nebo zmenšování obrazu. To je důležité, protože pokud zvětšíte obrázek, matplotlib musí vypočítat nové hodnoty pixelů, které nejsou přítomny v původním obrázku. Různé metody interpolace, jako je bilineární nebo bicubická interpolace, mohou vést k různým výsledkům v závislosti na povaze vašich dat a vašich preferencích ohledně kvality obrázku.

   Výběr interpolace:

   Různé druhy interpolací používané v digitálním zpracování obrazu mají své vlastní způsoby výpočtu, každý s vlastními výhodami a nevýhodami. Zde je přehled několika běžných metod interpolace:

   • Nejbližší soused (Nearest neighbor):

     • Způsob výpočtu: Nové hodnoty pixelů jsou určeny výběrem nejbližšího souseda z původního obrázku.
     • Výhody: Jednoduchý výpočet, rychlý algoritmus.
     • Nevýhody: Může vést k hrubým výsledkům, zejména pokud je zvětšení nebo zmenšení obrazu velké.
     
     

   • Bilineární interpolace:

     • Způsob výpočtu: Pro každý nový pixel je vážený průměr hodnot sousedních pixelů v původním obrázku, kde váhy jsou určeny vzdáleností mezi novým pixelem a sousedními pixely.
     • Výhody: Vytváří hladší a přirozenější vzhled, než nejbližší soused. Je rychlá a jednoduchá.
     • Nevýhody: Může způsobit rozostření detailů, zejména pokud je zvětšení obrazu větší.

   • Bikubická interpolace:

     • Způsob výpočtu: Pro každý nový pixel se používá kubická funkce pro interpolaci hodnot sousedních pixelů.
     • Výhody: Produkuje hladší výsledky než bilineární interpolace, což může být výhodné pro zvětšení obrázků.
     • Nevýhody: Vyžaduje více výpočetního výkonu než bilineární interpolace, což může vést k pomalejšímu zpracování obrazu.
     • Bikubická interpolace má tendenci produkovat hladší výsledky, což může být výhodné při zvětšování obrázků, abychom minimalizovali výskyt drsných hran nebo aliasingových artefaktů. Tedy, bikubická interpolace pomáhá zachovat co nejvíce detailů a hran při zvětšování obrázků, což může být užitečné v situacích, kde je důležitá vysoká kvalita obrazu.
       

5. Resample: Tato volba určuje, zda chcete, aby se provádělo úplné vzorkování obrázku (pokud je True) nebo pouze tehdy, když je výstupní obrázek větší než vstupní (pokud je False). To může být užitečné, pokud pracujete s velkými obrázky a chcete minimalizovat výpočetní nároky nebo čas potřebný k vykreslení.