树莓派超算和科学计算教程（三）
十四、Matplotlib
在最后一章中，我们用 SciPy 研究了数字图像处理。我们研究了 SciPy 为数字图像处理提供的几个主要功能类别，合并在scipy.misc下。在这一章中，我们将学习更多的使用 matplotlib 的图像处理和数据表示技术。我们已经在前面的章节中使用 matplotlib 来绘制和显示图像。如前几章所述，matplotlib 是一个 MATLAB 风格的数据可视化库。数据处理和挖掘是一个庞大的主题，超出了本书的范围；但是，我们可以使用图像作为方便的数据源来演示 matplotlib 的一些数据处理功能。所以让我们开始吧。
读取图像
为代码样本创建一个目录chapter 14。以下代码(清单 14-1 )演示了如何读取和显示图像:
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('/home/pi/book/Dataset/Sample01.jpg')
plt.imshow(img)
plt.show()
Listing 14-1.prog01.py
输出(图 14-1 )如下:
图 14-1。
Reading and displaying an image
颜色贴图
色彩映射表用于将颜色应用于数据集。灰度图像会自动应用默认色彩映射表。我们甚至可以为图像设置色彩映射表。为了正确显示灰度图像，我们需要像在前面章节中所做的那样，将色图设置为灰度值。在下面的例子中(清单 14-2 ，我们将使用默认的色彩映射表显示图像的一个通道。然后，我们将应用另一个色图到通道。
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('/home/pi/book/Dataset/4.2.01.tiff')
img_ch = img[:, :, 0]
plt.subplot(1, 2, 1)
plt.imshow(img_ch)
plt.title('Default Colormap')
plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2)
plt.imshow(img_ch, cmap='hot')
plt.title('Hot Colormap')
plt.xticks([]), plt.yticks([])
plt.show()
Listing 14-2.prog02.py
输出(图 14-2 )如下:
图 14-2。
Colormaps
彩色的
我们还可以显示彩条，让观众知道图像中的相对强度值。以下代码(清单 14-3 )演示了:
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('/home/pi/book/Dataset/4.2.01.tiff')
img_ch = img[:, :, 0]
plt.imshow(img_ch, cmap='nipy_spectral')
plt.title('Colorbar Demo')
plt.colorbar()
plt.xticks([]), plt.yticks([])
plt.show()
Listing 14-3.prog03.py
输出(图 14-3 )如下:
图 14-3。
Colorbar demo
用于图像处理的 Matplotlib
直方图是统计中频率表的图形表示。它是数据集中每个值出现次数的图表。我们还可以使用 matplotlib 中的plt.hist()方法来绘制单通道或灰度图像的直方图。以下(清单 14-4 )是一个例子:
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
img = mpimg.imread('/home/pi/book/Dataset/Sample03.jpg')
img_ch = img[:, :, 0]
plt.hist(img_ch.ravel(), 256, [0, 256])
plt.title('Histogram Demo')
plt.xticks([]), plt.yticks([])
plt.show()
Listing 14-4.prog04.py
输出(图 14-4 )如下:
图 14-4。
Histogram demo
插值方法
plt.imshow()中有多种插补类型。插值类型决定图像的显示方式。理解它们如何工作的最好方法是在渐变图像上使用它们。以下(清单 14-5 )代码示例很好地演示了这一点:
import matplotlib.pyplot as plt
import numpy as np
methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16',
'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric',
'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos']
grid = np.arange(16).reshape(4, 4)
fig, axes = plt.subplots(3, 6, figsize=(12, 6),
subplot_kw={'xticks': [], 'yticks': []})
fig.subplots_adjust(hspace=0.3, wspace=0.05)
for ax, interp_method in zip(axes.flat, methods):
ax.imshow(grid, interpolation=interp_method)
ax.set_title(interp_method)
plt.show()
Listing 14-5.prog05.py
输出(图 14-5 )如下:
图 14-5。
Interpolation demo
结论
在本章中，我们学习了如何用 matplotlib 表示数据。我们研究了色图、彩条和直方图。我们还学习了插值的概念。我们可以这样使用 matplotlib 来表示数据、图像和信号。
这本书的概要
在本书中，我们从 Raspberry Pi 和单板计算机的基础知识开始。我们学习了如何设置树莓派 并将其连接到互联网。我们还学会了通过网络访问它。
然后我们继续学习超级计算和并行编程的基础知识。我们准备了 Pis 的节点，并通过一个网络将它们连接在一起，作为一个集群。我们还利用 MPI4PY 开发了集群的功能。
然后我们用 Python 学习了符号计算。我们还研究了用于数值计算的 NumPy 库。然后，我们探索了科学计算库 SciPy 及其在信号和图像处理中的应用。
最后，我们研究了如何用 matplotlib 库表示图像数据和计算直方图。
然而，这并不是结束。这仅仅是你在科学计算的神奇世界中旅程的开始。您可以进一步探索 matplotlib、OpenCV 和 Scientific Kit (SciKit)库。对于想尝试 OS 编程的人来说，他们可以在 Raspberry Pi 上用 C 语言探索 pthread 和 POSIX 库。有了树莓派，可能性是无穷无尽的。我祝你在开始这个神奇的探索之旅时一切顺利。
