Función imshow() de Matplotlib
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
| Parámetro | Tipo | Descripción |
|---|---|---|
| X | array-like o PIL Image | Datos 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. |
| cmap | str o Colormap | Mapeo de color, solo válido para datos 2D. Por defecto 'viridis'. |
| norm | Normalize o str | Método de normalización de datos, como 'linear', 'log', 'symlog'. |
| aspect | str o float | Relación de aspecto de píxeles: 'equal' (predeterminado, píxeles cuadrados), 'auto' (rellena automáticamente el Axes), número (proporción personalizada). |
| interpolation | str | Método de interpolación: 'none'/'nearest' (sin interpolación), 'bilinear', 'bicubic', 'antialiased' (predeterminado), etc. |
| alpha | float o array-like | Opacidad, 0-1 |
| vmin, vmax | float | Rango de datos para el mapeo de color |
| origin | str | Posición del origen: 'upper' (predeterminado, [0,0] en la esquina superior izquierda) o 'lower' ([0,0] en la esquina inferior izquierda). |
| extent | tuple (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 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 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 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 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 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).
Otras extensiones