matplotlib中应知应会numpy存储、交换图像

numpy的ndarray是mpl官方推荐的输入数据结构

mpl官方推荐绘图时，应以numpy的ndarray数据结构输入数据。虽然有时用pandas中的两个数据结构、python的list等数据结构也可以，但不能保证都能成功。

这是因为numpy的ndarray的结构设计天生具有保存、交换、变换图像数据的优势。

本篇：

• 将一幅image转换为ndarray保存起来；
• 再在mpl的fig中读取保存的ndarray，并显示出该image；
• 并分析ndarray保存image的基本思想。

在mpl中，很多对象的一些参数设置都要借助ndarray的变换来实现一些绘图效果。因此理解ndarray保存图像，对后面学习相关内容非常有帮助。

阅读前两篇关于像素和分辨率的文章，会让你阅读本篇更轻松。

将一幅image存入ndarray

仍然以上篇中用到的这幅image为例：原图像可以到"Python草堂“QQ群下载。

img2array.jpg

输入如下代码：

import numpy as npfrom PIL import Imageim_source = Image.open('./assets/img2array.jpg') #应该修改成你的image保存的路径im_ar = np.array(im_source)np.save('./assets/imgdata.npy',im_ar)# 同样要修改为你保存数据文件的目录im_ar.shape

注意：上面的代码需要Python的 PIL库的支持

上面的代码完成了这么几件事：

1. 读取了磁盘上的"img2array.jpg"图像；
2. 将图像数据转换为数组；
3. 将数组保存为磁盘文件“imgdata.npy"
4. 查看了这个数组的形状是：(344, 250, 3)

ndarray保存图像的方式解析

上面的第4个任务显示，图像数据被保存在一个(344, 250, 3)的3维数组中。

你如果读了上一篇，应该记得，这个(344, 250)正是该image的像素大小：

没错，numpy就是用这样一个3维数组保存image数据的：

• image高度上的像素个数是ndarray的行数，这里是344行；
• image宽度上的像素个数是ndarray的列数，这里是255列；
• 行列交叉位置，就是图像的坐标位置了，即每个像素单元格上，再用一个有3个元素一维数组表示该像素的颜色 [R, G, B] 值。

如下图所示，每个格子是一个像素，每个格子上的3元素的列表就是该像素上的 [R, G, B] 值。

使用：im_ar[12][27]检索，返回一个array([247, 176, 148]

我们就知道第13行，第28列上的像素的颜色是 [247, 176, 148]，在配色软件上检索这个值：

[247, 276, 168]

numpy就是这样用ndarray保存image的。是不是豁然开朗了！

读取ndarray，显示出图像

我将生存的ndarray数据文件放到了"Python草堂"群文件的DataSets文件中，供大家下载。

输入如下代码：

注意：这是纯面向对象绘图的代码，所以看起来代码比较多，但每一步在做什么，我都很清楚。

from matplotlib.backends.backend_agg import FigureCanvasAggfrom matplotlib.figure import Figure,SubplotParamsimport numpy as npfig =Figure(figsize=(1.1,1.4), dpi=300, facecolor=(239/256,239/256,239/256), edgecolor=(82/256,101/256,155/256), linewidth=2.0, frameon=True, )canvas = FigureCanvasAgg(fig)imgdata = np.load('./assets/imgdata.npy',)fig.figimage(imgdata,xo=40,yo=30,origin='upper')s, (width, height) = canvas.print_to_buffer() from PIL import Imageim = Image.frombytes("RGBA