Función imshow() de Matplotlib


Matplotlib 参考文档Documentación de referencia de Matplotlib

imshow()Se utiliza para mostrar imágenes en Axes o representar arreglos bidimensionales como mapas de calor.

Es la función de visualización de datos bidimensionales más utilizada y admite múltiples métodos de interpolación, mapeo de color y escalado.

Definición de la función

Interfaz de pyplot

matplotlib.pyplot.imshow(X, cmap=None, norm=None, *, aspect=None,
    interpolation=None, alpha=None, vmin=None, vmax=None, origin=None,
    extent=None, filternorm=True, filterrad=4.0, resample=None,
    url=None, **kwargs)

Interfaz de Axes

Axes.imshow(X, cmap=None, norm=None, *, aspect=None,
    interpolation=None, alpha=None, vmin=None, vmax=None, origin=None,
    extent=None, filternorm=True, filterrad=4.0, resample=None,
    url=None, **kwargs)

Descripción de parámetros

ParámetroTipoDescripción
Xarray-like o PIL ImageDatos de imagen a mostrar. Los arreglos 2D se muestran como imágenes en escala de grises/falso color; los arreglos 3D (MxNx3 o MxNx4) se muestran como imágenes RGB/RGBA.
cmapstr o ColormapMapeo de color, solo válido para datos 2D. Por defecto 'viridis'.
normNormalize o strMétodo de normalización de datos, como 'linear', 'log', 'symlog'.
aspectstr o floatRelación de aspecto de píxeles: 'equal' (predeterminado, píxeles cuadrados), 'auto' (rellena automáticamente el Axes), número (proporción personalizada).
interpolationstrMétodo de interpolación: 'none'/'nearest' (sin interpolación), 'bilinear', 'bicubic', 'antialiased' (predeterminado), etc.
alphafloat o array-likeOpacidad, 0-1
vmin, vmaxfloatRango de datos para el mapeo de color
originstrPosición del origen: 'upper' (predeterminado, [0,0] en la esquina superior izquierda) o 'lower' ([0,0] en la esquina inferior izquierda).
extenttuple (left,right,bottom,top)Coordenadas de los límites de los datos; cambia las etiquetas de los ejes pero no los datos.

origin='upper'origin='upper' (predeterminado): coloca la primera fila del arreglo en la parte superior, de acuerdo con la convención de visualización de imágenes.origin='lower'origin='lower': coloca la primera fila en la parte inferior, de acuerdo con la convención del sistema de coordenadas matemático.


Ejemplos de uso

Ejemplo 1: Mostrar un arreglo bidimensional (mapa de calor)

Ejemplo

import matplotlib.pyplot as plt
import numpy as np

# Crea un arreglo bidimensional de 10x10
np.random.seed(42)
data = np.random.rand(10, 10)

fig, ax = plt.subplots(figsize=(6, 5), layout='constrained')

# Se muestra como mapa de calor
im = ax.imshow(data, cmap='viridis', aspect='auto')

# Muestra el valor en cada celda
for i in range(10):
    for j in range(10):
        color = 'white' if data[i, j] > 0.5 else 'black'
        ax.text(j, i, f'{data[i,j]:.2f}', ha='center',
                va='center', color=color, fontsize=8)

# Añade una barra de color
fig.colorbar(im, ax=ax, label='Value', shrink=0.8)

ax.set_title('2D Array as Heatmap')
ax.set_xlabel('Column')
ax.set_ylabel('Row')
plt.show()

Ejemplo 2: El parámetro extent controla los ejes

Ejemplo

import matplotlib.pyplot as plt
import numpy as np

# Crea datos de una función matemática de 50x50
x = np.linspace(-3, 3, 50)
y = np.linspace(-3, 3, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5),
                                layout='constrained')

# Imagen izquierda: sin usar extent, los ejes son índices de píxeles
im1 = ax1.imshow(Z, cmap='RdYlBu', origin='lower')
ax1.set_title('Without extentn(pixel indices)')
fig.colorbar(im1, ax=ax1, shrink=0.8)

# Imagen derecha: usando extent, los ejes son coordenadas de datos reales
im2 = ax2.imshow(Z, cmap='RdYlBu', origin='lower',
                 extent=[-3, 3, -3, 3])  # [xmin, xmax, ymin, ymax]
ax2.set_title('With extentn(actual coordinates)')
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
fig.colorbar(im2, ax=ax2, shrink=0.8)

plt.show()

Ejemplo 3: Comparación de diferentes métodos de interpolación

Ejemplo

import matplotlib.pyplot as plt
import numpy as np

# Crea datos de pequeña dimensión (10x10) y amplíalos para mostrar las diferencias de interpolación
data = np.random.rand(10, 10)

interpolations = ['none', 'nearest', 'bilinear', 'bicubic',
                  'spline16', 'spline36', 'lanczos']
# lanczos has been renamed - use 'lanczos' instead

fig, axes = plt.subplots(2, 3, figsize=(12, 8),
                          layout='constrained')
axes = axes.flatten()

for ax, interp in zip(axes, interpolations):
    im = ax.imshow(data, cmap='viridis', interpolation=interp)
    ax.set_title(f'interpolation="{interp}"')
    ax.set_xticks([])
    ax.set_yticks([])

# Oculta el último subgráfico sobrante
axes[-1].set_visible(False)

fig.suptitle('Comparison of Interpolation Methods', fontsize=14)
plt.show()

Ejemplo 4: Mostrar una imagen real (RGB)

Ejemplo

import matplotlib.pyplot as plt
import numpy as np

# Crea una imagen 'degradada' (simula una imagen RGB)
# Altura 100, ancho 200, 3 canales de color
height, width = 100, 200
image = np.zeros((height, width, 3))

# Canal R: aumenta de izquierda a derecha
image[:, :, 0] = np.linspace(0, 1, width)
# Canal G: aumenta de abajo hacia arriba
image[:, :, 1] = np.linspace(0, 1, height).reshape(-1, 1)
# Canal B: degradado en dirección diagonal
image[:, :, 2] = np.sin(np.linspace(0, 4*np.pi, width)) * 0.5 + 0.5

fig, ax = plt.subplots(figsize=(8, 4), layout='constrained')

# Un arreglo 3D (M,N,3) se reconoce automáticamente como imagen RGB, no necesita cmap
ax.imshow(image)
ax.set_title('Synthetic RGB Image')
ax.set_xlabel('Width (pixels)')
ax.set_ylabel('Height (pixels)')
plt.show()
print("ejemplo: image displayed")

Ejemplo 5: Normalización logarítmica

Ejemplo

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LogNorm

# Crea datos con un rango muy amplio
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(-(X**2 + Y**2) / 2) * 1000  # Función gaussiana, valores de 0 a 1000

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5),
                                layout='constrained')

# Imagen izquierda: normalización lineal (predeterminada)
im1 = ax1.imshow(Z, cmap='hot')
ax1.set_title('Linear Normalization')
fig.colorbar(im1, ax=ax1, shrink=0.8)

# Imagen derecha: normalización logarítmica (LogNorm)
im2 = ax2.imshow(Z, cmap='hot', norm=LogNorm())
ax2.set_title('Log Normalization (LogNorm)')
fig.colorbar(im2, ax=ax2, shrink=0.8)

fig.suptitle('Linear vs Log Normalization', fontsize=14)
plt.show()

Preguntas frecuentes

¿Diferencia entre origin='upper' y 'lower'?

origin='upper'origin='upper' (predeterminado): el elemento [0, 0] del arreglo está en la esquina superior izquierda, el eje y va de arriba hacia abajo, adecuado para imágenes.

origin='lower'origin='lower': el elemento [0, 0] del arreglo está en la esquina inferior izquierda, el eje y va de abajo hacia arriba, adecuado para datos matemáticos/científicos.

Se puedeplt.rcParams['image.origin'] = 'lower'modificar el comportamiento predeterminado globalmente.

¿Cómo elegir entre imshow y pcolormesh?

imshow()Adecuado para cuadrículas regulares, grandes volúmenes de datos y renderizado rápido (basado en rasterización).

pcolormesh()Adecuado para cuadrículas irregulares y cuando se necesitan límites de cuadrícula precisos (basado en dibujo vectorial).

¿Cómo mostrar imágenes en escala de grises?

Configuracmap='gray'ocmap='Greys_r'(escala de grises invertida).


Matplotlib 参考文档Documentación de referencia de Matplotlib

Otras extensiones