devbox
小小林熬夜学编程
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

python数字图像处理以及绘图

作者：小小林熬夜学编程 | 2024-05-08 13:19:33

赞

踩

python数字图像处理

1, subplot的使用

  • matlab中的用法: subplot（m,n,p）或者subplot（m n p）

subplot是将多个图画到一个平面上的工具。其中，m和n代表在一个图像窗口中显示m行n列个图像，也就是整个figure中有n个图是排成一行的，一共m行，后面的p代表现在选定第p个图像区域，即在第p个区域作图。如果m=2就是表示2行图。p表示图所在的位置，p=1表示从左到右从上到下的第一个位置。

  1. '''
  2. 注:ezplot（f，[-3,3])，表示画f函数的图形，取值区间在[-3,3]
  3. 代码如下：
  4. '''
  5. subplot(2,2,[1,2])
  6. ezplot('sin',[-1,1])
  7. grid minor
  8. subplot(2,2,3)
  9. ezplot('x',[-3,3])
  10. subplot(2,2,4)
  11. ezplot('x.^3',[-3,3])
  12. grid

  • matplotlib 中的subplot的用法:  subplot(numRows, numCols, plotNum)

python Matplotlib 可视化总结归纳（二） 绘制多个图像单独显示&多个函数绘制于一张图_haikuotiankong7的博客-CSDN博客_python的plot画多张图

Matplotlib的子图subplot的使用Matplotlib的子图subplot的使用 - 简书

matplotlib 中的subplot的用法matplotlib 中的subplot的用法 - 学弟1 - 博客园

  1. import matplotlib.pyplot as plt
  2. import numpy as np
  3.  
  4. def f(t):
  5.     return np.exp(-t) * np.cos(2 * np.pi * t)
  6.  
  7. if __name__ == '__main__' :
  8.     t1 = np.arange(0, 5, 0.1)
  9.     t2 = np.arange(0, 5, 0.02)
  10.  
  11.     plt.figure(12)
  12.     plt.subplot(221)
  13.     plt.plot(t1, f(t1), 'bo', t2, f(t2), 'r--')
  14.  
  15.     plt.subplot(222)
  16.     plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')
  17.  
  18.     plt.subplot(212)
  19.     plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
  20.  
  21.     plt.show()

2,颜色反转Grayscale conversion和cmap的取值

plt.imshow(data, cmap='Greens')  #cmap是colormap的简称，用于指定渐变色，默认的值为viridis, 在matplotlib中，内置了一系列的渐变色.
  1. """
  2. ==================
  3. Colormap reference:https://matplotlib.org/examples/color/colormaps_reference.html
  4. ==================
  6. Reference for colormaps included with Matplotlib.
  8. This reference example shows all colormaps included with Matplotlib. Note that
  9. any colormap listed here can be reversed by appending "_r" (e.g., "pink_r").
  10. These colormaps are divided into the following categories:
  12. Sequential:
  13.     These colormaps are approximately monochromatic colormaps varying smoothly
  14.     between two color tones---usually from low saturation (e.g. white) to high
  15.     saturation (e.g. a bright blue). Sequential colormaps are ideal for
  16.     representing most scientific data since they show a clear progression from
  17.     low-to-high values.
  19. Diverging:
  20.     These colormaps have a median value (usually light in color) and vary
  21.     smoothly to two different color tones at high and low values. Diverging
  22.     colormaps are ideal when your data has a median value that is significant
  23.     (e.g.  0, such that positive and negative values are represented by
  24.     different colors of the colormap).
  26. Qualitative:
  27.     These colormaps vary rapidly in color. Qualitative colormaps are useful for
  28.     choosing a set of discrete colors. For example::
  30.         color_list = plt.cm.Set3(np.linspace(0, 1, 12))
  32.     gives a list of RGB colors that are good for plotting a series of lines on
  33.     a dark background.
  35. Miscellaneous:
  36.     Colormaps that don't fit into the categories above.
  38. """
  39. import numpy as np
  40. import matplotlib.pyplot as plt
  41.  
  42.  
  43. # Have colormaps separated into categories:
  44. # http://matplotlib.org/examples/color/colormaps_reference.html
  45. cmaps = [('Perceptually Uniform Sequential', [
  46.             'viridis', 'plasma', 'inferno', 'magma']),
  47.          ('Sequential', [
  48.             'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
  49.             'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
  50.             'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']),
  51.          ('Sequential (2)', [
  52.             'binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink',
  53.             'spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia',
  54.             'hot', 'afmhot', 'gist_heat', 'copper']),
  55.          ('Diverging', [
  56.             'PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu',
  57.             'RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']),
  58.          ('Qualitative', [
  59.             'Pastel1', 'Pastel2', 'Paired', 'Accent',
  60.             'Dark2', 'Set1', 'Set2', 'Set3',
  61.             'tab10', 'tab20', 'tab20b', 'tab20c']),
  62.          ('Miscellaneous', [
  63.             'flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern',
  64.             'gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg', 'hsv',
  65.             'gist_rainbow', 'rainbow', 'jet', 'nipy_spectral', 'gist_ncar'])]
  66.  
  67.  
  68. nrows = max(len(cmap_list) for cmap_category, cmap_list in cmaps)
  69. gradient = np.linspace(0, 1, 256)
  70. gradient = np.vstack((gradient, gradient))
  71.  
  72.  
  73. def plot_color_gradients(cmap_category, cmap_list, nrows):
  74.     fig, axes = plt.subplots(nrows=nrows)
  75.     fig.subplots_adjust(top=0.95, bottom=0.01, left=0.2, right=0.99)
  76.     axes[0].set_title(cmap_category + ' colormaps', fontsize=14)
  77.  
  78.     for ax, name in zip(axes, cmap_list):
  79.         ax.imshow(gradient, aspect='auto', cmap=plt.get_cmap(name))
  80.         pos = list(ax.get_position().bounds)
  81.         x_text = pos[0] - 0.01
  82.         y_text = pos[1] + pos[3]/2.
  83.         fig.text(x_text, y_text, name, va='center', ha='right', fontsize=10)
  84.  
  85.     # Turn off *all* ticks & spines, not just the ones with colormaps.
  86.     for ax in axes:
  87.         ax.set_axis_off()
  88.  
  89.  
  90. for cmap_category, cmap_list in cmaps:
  91.     plot_color_gradients(cmap_category, cmap_list, nrows)
  92.  
  93. plt.show()

Sequential colormaps

在这里插入图片描述

下面第一幅是用Greys, 第二幅是用Greys_r :

3,matplotlib.pyplot.axis()用法

axis()的用法axis()的用法 - 白羊呼啦 - 博客园

axis函数的使用(equal,ij,xy,tight,off,fill,normal.....)_蝉之洞-CSDN博客

matplotlib.pyplot.axis() matplotlib.pyplot.axis()与matplotlib.pyplot.axes()结构及用法_漫步量化-CSDN博客

4,matplotlib中的plt.figure()、plt.subplot()、plt.subplots()、add_subplots以及add_axes的使用

注意:subplot和subplots的区别

matplotlib中的plt.figure()、plt.subplot()、plt.subplots()、add_subplots以及add_axes的使用_小C的博客-CSDN博客

python3_matplotlib_figure()函数解析python3_matplotlib_figure()函数解析_也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！-CSDN博客

python中关于matplotlib库的figure,add_subplot,subplot,subplots函数python中关于matplotlib库的figure,add_subplot,subplot,subplots函数_墨羽羔羊的博客-CSDN博客_figure.add_subplot

5,python3，matplotlib绘图，title、xlabel、ylabel、图例等出现中文乱码

python3，matplotlib绘图，title、xlabel、ylabel、图例等出现中文乱码_why-csdn的博客-CSDN博客

在Windows系统找到中文字体添加进去就可以,只有部分字体能够右键查看他们的属性:C:\Windows\Fonts

  1. '''
  2.       常用字体对应路径
  4. 宋体常规     C:\Windows\Fonts\simsun.ttc
  5. 新宋体常规   C:\Windows\Fonts\simsun.ttc
  6. ‪黑体常规     C:\Windows\Fonts\simhei.ttf
  7. ‪楷体常规     C:\Windows\Fonts\simkai.ttf
  8. 仿宋常规     ‪C:\Windows\Fonts\simfang.ttf
  9. ‪隶体常规     ‪C:\Windows\Fonts\SIMLI.TTF
  10. ‪华文新魏     C:\Windows\Fonts\STXINWEI.TTF
  11. '''
  12. '''
  13. %matplotlib inline 可以在Ipython编译器里直接使用，功能是可以内嵌绘图，并且可以省略掉plt.show()这一步。
  14. 但在spyder用会报错. 经过我的的验证该句在spyder下的Ipython也没有任何作用,因为在spyder下的Ipython会自动输出图像
  15. '''
  16. %matplotlib inline 
  17. import matplotlib # 注意这个也要import一次
  18. import matplotlib.pyplot as plt
  19.  
  20.  
  21. #from matplotlib.font_manager import FontProperties
  22. #font_set = FontProperties(fname=r"c:/windows/fonts/simsun.ttc", size=15)
  23. '''
  24. 路径中的双引号和单引号都可以,斜杠和反斜杠也都可以
  25. 另外说明：因python3默认使用中unicode编码, 所以在写代码时不再需要写 plt.xlabel(u'横')，而是直接写plt.xlabel('横')
  26. '''
  27. #myfont = matplotlib.font_manager.FontProperties(fname=r"C:\Windows\Fonts\STXINWEI.TTF") # fname指定字体文件  选简体显示中文
  28. myfont = matplotlib.font_manager.FontProperties(fname=r'C:\Windows\Fonts\simkai.ttf', size=15)
  29. plt.plot((1,2,3),(4,3,-1))
  30. plt.xlabel('横', fontproperties=myfont) # 这一段
  31. plt.ylabel('纵', fontproperties=myfont) # 这一段
  32. #plt.show() # 有了%matplotlib inline 就可以省掉plt.show()了
  33.  
  34. '''
  35. 也可以不使用matplotlib.font_manager.FontProperties语句导入字体,直接使用fontproperties='SimHei',matplotlib可以自己找到部分字体,但找不全
  36. '''
  37. plt.plot((1,2,3),(4,3,-1))
  38. plt.xlabel(u'横坐标', fontproperties='STXINWEI') #新魏字体
  39. plt.ylabel(u'纵坐标', fontproperties='SimHei') # 黑体

6,matplotlib基础绘图命令之imshow 

matplotlib基础绘图命令之imshow - 云+社区 - 腾讯云

7,用箭头和文字来标记重要的点,对图标的坐标轴进行调整

用箭头和文字来标记重要的点 - 云+社区 - 腾讯云

对图标的坐标轴进行调整 - 云+社区 - 腾讯云

8,python画图入门汇总教程-先看

Python3快速入门（十六）——Matplotlib绘图Python3快速入门（十六）——Matplotlib绘图_生命不息，奋斗不止的技术博客_51CTO博客_matplotlib绘图教程

python画图入门python画图入门 - 知乎

9,python：图片的float类型和uint8类型

python：图片的float类型和uint8类型_宁静致远*的博客-CSDN博客

python中不同函数读取图片格式的区别python中不同函数读取图片格式的区别_u013044310的博客-CSDN博客_img.astype

在python图像处理过程中，遇到的RGB图像的值是处于0-255之间的，为了更好的处理图像，通常python提供的读取图片函数默认都会将图像值转变到0-1之间.

float,float32,float64这三个数据类型的范围都是 [0.0, 1.0] or [-1.0, 1.0] :Module: util — skimage v0.18.0 docs

10,scipy.misc.bytescale的替代方案

scipy.misc.bytescale的替代函数代码scipy.misc.bytescale.py-机器学习文档类资源-CSDN下载

skimage.util.img_as_ubyte is a replacement for scipy.misc.bytescale

the scipy.misc.bytescale doc states the following:

Byte scaling means converting the input image to uint8 dtype and scaling the range to (low, high) (default 0-255). If the input image already has dtype uint8, no scaling is done.

the skimage.util.img_as_ubyte doc states the following:

Convert an image to 8-bit unsigned integer format. Negative input values will be clipped. Positive values are scaled between 0 and 255.

python - What replaces scipy.misc.bytescale? - Stack Overflow

python - Alternatives to Scipy's misc bytescale method - Stack Overflow

11,matplotlib.pyplot.imread函数返回值

matplotlib.pyplot.imread — Matplotlib 3.1.2 documentation

Returns:

imagedata : numpy.array

The image data. The returned array has shape

  • (M, N) for grayscale images.
  • (M, N, 3) for RGB images.
  • (M, N, 4) for RGBA images. (red, green, blue, alpha) floats in the range 0-1

12,用python将图像转换为三维数组

RGB images are usually stored as 3 dimensional arrays of 8-bit unsigned integers. The shape of the array is:

height x width x 3. 这和分辨率(1920×1080)恰相反

用python将图像转换为三维数组之后，每一维，每个元素值都代表着什么？用python将图像转换为三维数组之后，每一维，每个元素值都代表着什么？_向东的笔记本-CSDN博客

13, Creating Image with numpy

在线拾色器-输入RGB值输出颜色在线拾色器 - W3Cschool

Image processing with numpy

14,numpy之histogram,plt.bar()与plt.barh条形图

numpy之histogram_Nicola.Zhang-CSDN博客

plt.bar()与plt.barh条形图4.4Python数据处理篇之Matplotlib系列(四)---plt.bar()与plt.barh条形图 - 梦并不遥远 - 博客园

numpy.histogram(a, bins=10, range=None, normed=False, weights=None, density=None)[source]

Returns:

hist : array

The values of the histogram. See density and weights for a description of the possible semantics.

bin_edges : array of dtype float

Return the bin edges (length(hist)+1)

a是待统计数据的数组；
bins指定统计的区间个数；
range是一个长度为2的元组，表示统计范围的最小值和最大值，默认值None，表示范围由数据的范围决定
weights为数组的每个元素指定了权值,histogram()会对区间中数组所对应的权值进行求和
density为True时，返回每个区间的概率密度；为False，返回每个区间中元素的个数

  1. import numpy as np
  2. import matplotlib.pyplot as plt
  3.  
  4. a = np.random.rand(100)
  5. np.histogram(a,bins=5,range=(0,1))
  6. dct_hist, dct_bin_edges = np.histogram(a,bins=5,range=(0,1))
  7. img_hist, img_bin_edges = np.histogram(a,bins=[0,0.2,0.5,0.8,1])
  8.  
  9. f, (plt1, plt2) = plt.subplots(1, 2, figsize=(15, 5))
  10.  
  11. plt1.set_title('Frequency histogram')
  12. plt1.bar(dct_bin_edges[:-1], dct_hist, width = 0.1)#注意dct_bin_edges的数据比dct_hist数据多一个,因此要去除一个数据才能画图
  13.  
  14. plt2.set_title('Spatial histogram')
  15. plt2.bar(img_bin_edges[1:], img_hist, width = 0.1)
  16.  
  17. #输出
  18. In [75]: np.histogram(a,bins=5,range=(0,1))
  19. Out[75]: 
  20. (array([18, 19, 13, 24, 26], dtype=int64),#注意bin_edges的数据比hist数据多一个,即the bin edges (length(hist)+1)
  21.  array([0. , 0.2, 0.4, 0.6, 0.8, 1. ]))   #18表示a中有18个数落在[0,0.2]区间,19个数落在[0.2,0.4]区间
  22.  
  23. In [76]: np.histogram(a,bins=[0,0.2,0.5,0.8,1])
  24. Out[76]: (array([18, 26, 30, 26], dtype=int64), array([0. , 0.2, 0.5, 0.8, 1. ]))

15,Python中[ : n]、[m : ]、[-1]、[:-1]、[::-1]、[2::-1]和[1:]的含义

Python中[ : n]、[m : ]、[-1]、[:-1]、[::-1]、[2::-1]和[1:]的含义_SpringRolls的博客-CSDN博客_python是什么意思

Python中双冒号的作用[::]  

Python sequence slice addresses can be written as a[start:end:step] and any of start, stop or end can be dropped.

Python序列切片地址可以写为[开始：结束：步长]，其中的开始和结束可以省略

16，Python数据可视化（一）：散点图绘制

Python数据可视化（一）：散点图绘制 - 简书

Custom a Matplotlib Scatterplot

17，颜色，线条，标志形状

matplotlib横坐标从大到小_Python数据分析：Matplotlib_weixin_39958631的博客-CSDN博客

matplotlib.pyplot.plot — Matplotlib 3.4.3 documentation

18，画子图

https://www.jb51.net/article/254132.htm 

最全Python绘制多子图总结 - 知乎 

一次性掌握所有 Python 画图基础操作_Gene_INNOCENT的博客-CSDN博客_python画图

Python图像绘制基础——子图绘制_银河初升的博客-CSDN博客_python 子图 

  1. import numpy as np
  2. import matplotlib
  3. import matplotlib.pyplot as plt
  4. from matplotlib import style
  5.  
  6. style.use('ggplot')  # 加载'ggplot'风格
  7. matplotlib.rcParams['text.usetex'] = True  # 开启Latex风格
  8. plt.figure(figsize=(10, 10), dpi=70)  # 设置图像大小
  9. f, ax = plt.subplots(2, 2)  # 设置子图
  10.  
  11.  
  12. def func1():
  13.     X = np.linspace(0, 1, 100)
  14.     Y1 = np.sqrt(X)
  15.     # ax[0][0]的设置
  16.     ax[0][0].plot(X, Y1, color="lightcoral", linewidth=3.0, linestyle="-", label=r"$y_1=\sqrt{x}$")
  17.     ax[0][0].set_xlabel('x', fontsize=10)
  18.     ax[0][0].set_ylabel('y', fontsize=10)
  19.     ax[0][0].set_title(r'$f(x)=\sqrt{x}$', fontsize=16)
  20.     ax[0][0].legend(loc="best")
  21.  
  22.     # ax[0][0]关键点
  23.     ax[0][0].scatter(0.5, np.sqrt(0.5), s=100)
  24.     ax[0][0].annotate("End Point",
  25.                       xy=(0.6, 0.5),
  26.                       fontsize=12,
  27.                       xycoords="data")
  28.  
  29.  
  30. def func2():
  31.     X = np.linspace(0, 1, 100)
  32.     Y2 = X
  33.     # ax[0][1]的设置
  34.     ax[0][1].plot(X, Y2, color="burlywood", linewidth=3.0, linestyle="--", label=r"$y_2=x$")
  35.     ax[0][1].set_xlabel('x', fontsize=10)
  36.     ax[0][1].set_ylabel('y', fontsize=10)
  37.     ax[0][1].set_title(r'$f(x)=x$', fontsize=16)
  38.     ax[0][1].legend(loc="best")
  39.  
  40.     # ax[0][1]关键点
  41.     ax[0][1].scatter(0.5, 0.5, s=100)
  42.     ax[0][1].annotate("End Point",
  43.                       fontsize=12,
  44.                       xytext=(0.7, 0.1),
  45.                       xy=(0.5, 0.5),
  46.                       xycoords="data",
  47.                       arrowprops=dict(facecolor='gray', shrink=0.15))
  48.  
  49.  
  50. def func3():
  51.     X = np.linspace(0, 1, 100)
  52.     Y3 = X * X
  53.     # ax[1][0]的设置
  54.     ax[1][0].plot(X, Y3, color="mediumturquoise", linewidth=3.0, linestyle="-.", label=r"$y_3=x^2$")
  55.     ax[1][0].set_xlabel('x', fontsize=10)
  56.     ax[1][0].set_ylabel('y', fontsize=10)
  57.     ax[1][0].set_title(r'$f(x)=x^2$', fontsize=16)
  58.     ax[1][0].legend(loc="best")
  59.  
  60.     # ax[1][0]关键点
  61.     ax[1][0].scatter(0.5, 0.5 * 0.5, s=100)
  62.     ax[1][0].annotate("End Point",
  63.                       fontsize=12,
  64.                       xytext=(0.05, 0.6),
  65.                       xy=(0.5, 0.5 * 0.5),
  66.                       xycoords="data",
  67.                       arrowprops=dict(facecolor='black', shrink=0.1))
  68.  
  69.  
  70. def func4():
  71.     X = np.linspace(0, 1, 100)
  72.     Y4 = X * X * X
  73.     # ax[1][1]的设置
  74.     ax[1][1].plot(X, Y4, color="mediumpurple", linewidth=3.0, linestyle=":", label=r"$y_4=x^3$")
  75.     ax[1][1].set_xlabel('x', fontsize=10)
  76.     ax[1][1].set_ylabel('y', fontsize=10)
  77.     ax[1][1].set_title(r'$f(x)=x^3$', fontsize=16)
  78.     ax[1][1].legend(loc="best")
  79.  
  80.     # ax[1][1]关键点
  81.     ax[1][1].scatter(0.5, 0.5 * 0.5 * 0.5, s=100)
  82.     ax[1][1].annotate("End Point",
  83.                       xy=(0.2, 0.3),
  84.                       fontsize=12,
  85.                       xycoords="data")
  86.  
  87.  
  88. def main():
  89.     func1()
  90.     func2()
  91.     func3()
  92.     func4()
  93.  
  94.     plt.tight_layout()  # 当有多个子图时，可以使用该语句保证各子图标题不会重叠
  95.     plt.savefig('myplot1.pdf', dpi=700)  # dpi 表示以高分辨率保存一个图片文件，pdf为文件格式，输出位图文件
  96.     plt.show()
  97.  
  98.  
  99. if __name__ == "__main__":
  100.     main()
  101.  
  102.  
  103. ################也可以使用 plt.sca() 来定位子图，如下述例子：
  104. f, ax = plt.subplots(2, 3, figsize=(15, 10)) # 声明 2 行 3 列的子图
  105. f.suptitle("设置总标题", fontsize=18)
  106.  
  107. plt.sca(ax[0, 1]) # 定位到第 1 行第 2 列的子图
  108. # 接下来直接使用 plt 画图即可
  109.

19，箱图

【迅速上手】Python 画图 —— 箱图与密度图_Gene_INNOCENT的博客-CSDN博客

20，基础知识

Python 各种画图_流浪猪头拯救地球的博客-CSDN博客_python画图

  1. import matplotlib.pyplot as plt			# 导入模块
  2.  
  3. plt.style.use('ggplot')					# 设置图形的显示风格
  4. fig=plt.figure(1)						# 新建一个 figure1
  5. fig=plt.figure(figsize=(12,6.5),dpi=100,facecolor='w')
  6. fig.patch.set_alpha(0.5)				# 设置透明度为 0.5
  7. font1 = {'weight' : 60, 'size' : 10}	# 创建字体，设置字体粗细和大小
  8. ax1.set_xlim(0,100)						# 设置 x 轴最大最小刻度
  9. ax1.set_ylim(-0.1,0.1)					# 设置 y 轴最大最小刻度
  10. plt.xlim(0,100)  						# 和上面效果一样
  11. plt.ylim(-1,1)
  12. ax1.set_xlabel('X name',font1)			# 设置 x 轴名字
  13. ax1.set_ylabel('Y name',font1)			# 设置 y 轴名字
  14. plt.xlabel('aaaaa')						# 设置 x 轴名字
  15. plt.ylabel('aaaaa')						# 设置 y 轴名字
  16. plt.grid(True)					 		# 增加格网
  17. plt.grid(axis="y")						# 只显示横向格网
  18. plt.grid(axis="x")						# 只显示纵向格网
  19. ax=plt.gca()							# 获取当前axis,
  20. fig=plt.gcf()							# 获取当前figures
  21. plt.gca().set_aspect(1)					# 设置横纵坐标单位长度相等
  22. plt.text(x,y,string)					# 在 x,y 处加入文字注释
  23. plt.gca().set_xticklabels(labels, rotation=30, fontsize=16) # 指定在刻度上显示的内容
  24. plt.xticks(ticks, labels, rotation=30, fontsize=15)   # 上面两句合起来
  25. plt.legend(['Float'],ncol=1,prop=font1,frameon=False)	# 设置图例 列数、去掉边框、更改图例字体
  26. plt.title('This is a Title')			# 图片标题
  27. plt.show()								# 显示图片，没这行看不见图
  28. plt.savefig(path, dpi=600)				# 保存图片，dpi可控制图片清晰度
  29. plt.rcParams['font.sans-serif'] = ['SimHei']  	# 添加这条可以让图形显示中文
  30. mpl.rcParams['axes.unicode_minus'] = False		# 添加这条可以让图形显示负号
  31. ax.spines['right'].set_color('none')
  32. ax.spines['top'].set_color('none')				#设置图片的右边框和上边框为不显示
  33. # 子图
  34. ax1=plt.subplot(3,1,1)
  35. ax1.scatter(time,data[:,1],s=5,color='blue',marker='o') # size, color, 标记
  36. ax1=plt.subplot(3,1,2)
  37. ...
  38. # 控制图片边缘的大小
  39. plt.subplots_adjust(left=0, bottom=0, right=1, top=1，hspace=0.1,wspace=0.1)
  40.  
  41. # 设置坐标刻度朝向，暂未成功
  42. plt.rcParams['xtick.direction'] = 'in'
  43. ax = plt.gca()
  44. ax.invert_xaxis() 
  45. ax.invert_yaxis()

参考:

python数字图像处理 https://www.cnblogs.com/denny402/p/5121501.html

python skimage图像处理(一)python skimage图像处理(一) - 简书

用python简单处理图片（1）：打开\显示\保存图像 用python简单处理图片（1）：打开\显示\保存图像 - denny402 - 博客园

「Matplotlib绘图详解」史上最全Matplotlib教程 - 知乎

Matplotlib 教程Matplotlib 教程 | 菜鸟教程

Matplotlib official tutorial https://matplotlib.org/tutorials/colors/colormaps.html

python之matplotlib绘图基础 python之matplotlib绘图基础 - tongqingliu - 博客园

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小小林熬夜学编程/article/detail/554763
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号