#!/usr/bin/env python
# coding: utf-8

# # 图像基础

# 导入相应的包：

# In[1]:


import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
get_ipython().run_line_magic('matplotlib', 'inline')


# ![臭虫](stinkbug.png)

# ## 导入图像

# 我们首先导入上面的图像，注意 `matplotlib` 默认只支持 `PNG` 格式的图像，我们可以使用 `mpimg.imread` 方法读入这幅图像：

# In[2]:


img = mpimg.imread('stinkbug.png')


# In[3]:


img.shape


# 这是一个 `375 x 500 x 3` 的 `RGB` 图像，并且每个像素使用 uint8 分别表示 `RGB` 三个通道的值。不过在处理的时候，`matplotlib` 将它们的值归一化到 `0.0~1.0` 之间：

# In[4]:


img.dtype


# ## 显示图像

# 使用 `plt.imshow()` 可以显示图像：

# In[5]:


imgplot = plt.imshow(img)


# ## 伪彩色图像

# 从单通道模拟彩色图像：

# In[6]:


lum_img = img[:,:,0]
imgplot = plt.imshow(lum_img)


# ## 改变 colormap

# In[7]:


imgplot = plt.imshow(lum_img)
imgplot.set_cmap('hot')


# In[8]:


imgplot = plt.imshow(lum_img)
imgplot.set_cmap('spectral')


# 显示色度条：

# In[9]:


imgplot = plt.imshow(lum_img)
imgplot.set_cmap('spectral')
plt.colorbar()
plt.show()


# ## 限制显示范围

# 先查看直方图：

# In[10]:


plt.hist(lum_img.flatten(), 256, range=(0.0,1.0), fc='k', ec='k')
plt.show()


# 将显示范围设为 `0.0-0.7`：

# In[11]:


imgplot = plt.imshow(lum_img)
imgplot.set_clim(0.0,0.7)


# ## resize 操作

# In[12]:


from PIL import Image
img = Image.open('stinkbug.png')
rsize = img.resize((img.size[0]/10,img.size[1]/10))
rsizeArr = np.asarray(rsize) 
imgplot = plt.imshow(rsizeArr)


# 上面我们将这个图像使用 PIL 的 `Image` 对象导入，并将其 `resize` 为原来的 1/100，可以看到很多细节都丢失了。
# 
# 在画图时，由于画面的大小与实际像素的大小可能不一致，所以不一致的地方会进行插值处理，尝试一下不同的插值方法：

# In[13]:


imgplot = plt.imshow(rsizeArr)
imgplot.set_interpolation('nearest')


# In[14]:


imgplot = plt.imshow(rsizeArr)
imgplot.set_interpolation('bicubic')