Fonction imshow() de Matplotlib
Documentation de référence de Matplotlib
imshow()Utilisé pour afficher une image sur un Axes ou restituer un tableau 2D sous forme de carte thermique.
C'est l'une des fonctions les plus couramment utilisées pour la visualisation de données 2D, prenant en charge une variété de méthodes d'interpolation, de mappage de couleurs et de mise à l'échelle.
Définition de fonction
Interface 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)
Interface 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)
Description du paramètre
| Paramètre | Type | Description |
|---|---|---|
| X | array-like ou image PIL | Les données d'image à afficher. Un tableau 2D est affiché en niveaux de gris/pseudocouleur, et un tableau 3D (MxNx3 ou MxNx4) est affiché comme une image RGB/RGBA. |
| cmap | str ou Colormap | Mappage de couleurs, valide uniquement pour les données 2D. La valeur par défaut est 'viridis'. |
| norm | Normalize ou str | Méthode de normalisation des données, par ex. 'linear', 'log', 'symlog'. |
| aspect | str ou float | Rapport d'aspect des pixels : 'equal' (par défaut, pixels carrés), 'auto' (remplit automatiquement les axes), nombre (rapport personnalisé). |
| interpolation | str | Méthode d'interpolation : 'none'/'nearest' (aucune interpolation), 'bilinear', 'bicubic', 'antialiased' (par défaut), etc. |
| alpha | float ou array-like | Transparence, 0-1. |
| vmin, vmax | float | Plage de données de la palette de couleurs. |
| origin | str | Position de l'origine : 'upper' (par défaut, [0,0] dans le coin supérieur gauche) ou 'lower' ([0,0] dans le coin inférieur gauche). |
| extent | tuple (gauche, droite, bas, haut) | Coordonnées des limites des données ; modifie les étiquettes des axes mais pas les données. |
origin='upper'(Par défaut) Place la première ligne du tableau en haut, conformément aux conventions d'affichage des images.origin='lower'Place la première ligne en bas, conformément aux conventions de coordonnées mathématiques.
Exemples d'utilisation
Exemple 1 : Affichage d'un tableau 2D (carte thermique)
Exemple
import numpy as np
# Créer un tableau 2D 10x10
np.random.seed(42)
data = np.random.rand(10, 10)
fig, ax = plt.subplots(figsize=(6, 5), layout='constrained')
# Afficher sous forme de carte thermique
im = ax.imshow(data, cmap='viridis', aspect='auto')
# Afficher les valeurs dans chaque cellule
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)
# Ajouter une barre de couleurs
fig.colorbar(im, ax=ax, label='Valeur', shrink=0.8)
ax.set_title('Tableau 2D sous forme de carte thermique')
ax.set_xlabel('Colonne')
ax.set_ylabel('Ligne')
plt.show()
Exemple 2 : Le paramètre extent contrôle les axes
Exemple
import numpy as np
# Créer des données de fonction mathématique 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')
# Graphique de gauche : sans extent, les coordonnées des axes sont des indices de pixel
im1 = ax1.imshow(Z, cmap='RdYlBu', origin='lower')
ax1.set_title('Sans extentn(indices de pixel)')
fig.colorbar(im1, ax=ax1, shrink=0.8)
# Graphique de droite : avec extent, les coordonnées des axes sont les coordonnées réelles des données
im2 = ax2.imshow(Z, cmap='RdYlBu', origin='lower',
extent=[-3, 3, -3, 3]) # [xmin, xmax, ymin, ymax]
ax2.set_title('Avec extentn(coordonnées réelles)')
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
fig.colorbar(im2, ax=ax2, shrink=0.8)
plt.show()
Exemple 3 : Comparaison de différentes méthodes d'interpolation
Exemple
import numpy as np
# Créer un jeu de données de petite taille (10x10) et l'agrandir pour montrer les différences d'interpolation
data = np.random.rand(10, 10)
interpolations = ['none', 'nearest', 'bilinear', 'bicubic',
'spline16', 'spline36', 'lanczos']
# lanczos a été renommé - utilisez 'lanczos' à la place
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([])
# Masquer le dernier sous-graphique redondant
axes[-1].set_visible(False)
fig.suptitle('Comparaison des méthodes d'interpolation', fontsize=14)
plt.show()
Exemple 4 : Affichage d'une image réelle (RGB)
Exemple
import numpy as np
# Créer une image en "dégradé" (simulant une image RGB)
# Hauteur 100, largeur 200, 3 canaux de couleur
height, width = 100, 200
image = np.zeros((height, width, 3))
# Canal R : augmente de gauche à droite
image[:, :, 0] = np.linspace(0, 1, width)
# Canal G : augmente du bas vers le haut
image[:, :, 1] = np.linspace(0, 1, height).reshape(-1, 1)
# Canal B : dégradé selon la direction diagonale
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 tableau 3D (M,N,3) est automatiquement reconnu comme une image RVB, pas besoin de cmap
ax.imshow(image)
ax.set_title('Image RVB synthétique')
ax.set_xlabel('Largeur (pixels)')
ax.set_ylabel('Hauteur (pixels)')
plt.show()
print("exemple : image affichée")
Exemple 5 : Normalisation logarithmique
Exemple
import numpy as np
from matplotlib.colors import LogNorm
# Créer des données avec une large plage
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 # Fonction gaussienne, valeurs de 0 à 1000
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5),
layout='constrained')
# Graphique de gauche : normalisation linéaire (par défaut)
im1 = ax1.imshow(Z, cmap='hot')
ax1.set_title('Normalisation linéaire')
fig.colorbar(im1, ax=ax1, shrink=0.8)
# Graphique de droite : normalisation logarithmique (LogNorm)
im2 = ax2.imshow(Z, cmap='hot', norm=LogNorm())
ax2.set_title('Normalisation logarithmique (LogNorm)')
fig.colorbar(im2, ax=ax2, shrink=0.8)
fig.suptitle('Normalisation linéaire vs logarithmique', fontsize=14)
plt.show()
Questions fréquentes
Quelle est la différence entre origin='upper' et 'lower' ?
origin='upper'(Par défaut) : Array [0, 0] se trouve dans le coin supérieur gauche, l’axe y va du haut vers le bas, adapté aux images.
origin='lower': Array [0, 0] se trouve dans le coin inférieur gauche, l’axe y va du bas vers le haut, adapté aux données mathématiques/scientifiques.
Peut être utilisé pourplt.rcParams['image.origin'] = 'lower'modifier globalement le comportement par défaut.
Comment choisir entre imshow et pcolormesh ?
imshow()Adapté aux grilles régulières, aux grands volumes de données et au rendu rapide (basé sur la rastérisation).
pcolormesh()Adapté aux grilles irrégulières et aux cas nécessitant des limites de grille précises (dessin vectoriel).
Comment afficher des images en niveaux de gris ?
Setcmap='gray'oucmap='Greys_r'(inversion en niveaux de gris).
Autres extensions