Matplotlib imshow() 函数

imshow() 用于在 Axes 上显示图像或渲染二维数组为热力图。

它是最常用的二维数据可视化函数，支持多种插值、颜色映射和缩放方式。

函数定义

pyplot 接口

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)

Axes 接口

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)

参数说明

参数	类型	说明
X	array-like 或 PIL Image	要显示的图像数据。2D 数组显示为灰度/伪彩色，3D 数组（MxNx3 或 MxNx4）显示为 RGB/RGBA 图像
cmap	str 或 Colormap	颜色映射，仅对 2D 数据有效。默认 'viridis'
norm	Normalize 或 str	数据归一化方式，如 'linear'、'log'、'symlog'
aspect	str 或 float	像素宽高比：'equal'(默认，像素为正方形)、'auto'(自动填充Axes)、数字(自定义比例)
interpolation	str	插值方法：'none'/'nearest'(无插值)、'bilinear'、'bicubic'、'antialiased'(默认) 等
alpha	float 或 array-like	透明度，0-1
vmin, vmax	float	颜色映射的数据范围
origin	str	原点位置：'upper'(默认，[0,0]在左上角) 或 'lower'([0,0]在左下角)
extent	tuple (left,right,bottom,top)	数据边界坐标，改变轴标签但不改变数据

origin='upper'（默认）将数组第一行放在顶部，符合图像显示习惯。origin='lower' 将第一行放在底部，符合数学坐标系习惯。

使用示例

示例 1：显示二维数组（热力图）

实例

import matplotlib.pyplot as plt
import numpy as np

# 创建 10x10 的二维数组
np.random.seed(42)
data = np.random.rand(10, 10)

fig, ax = plt.subplots(figsize=(6, 5), layout='constrained')

# 显示为热力图
im = ax.imshow(data, cmap='viridis', aspect='auto')

# 在每个单元格显示数值
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)

# 添加颜色条
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()

示例 2：extent 参数控制坐标轴

实例

import matplotlib.pyplot as plt
import numpy as np

# 创建 50x50 的数学函数数据
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')

# 左图：不使用 extent，轴坐标为像素索引
im1 = ax1.imshow(Z, cmap='RdYlBu', origin='lower')
ax1.set_title('Without extentn(pixel indices)')
fig.colorbar(im1, ax=ax1, shrink=0.8)

# 右图：使用 extent，轴坐标为实际数据坐标
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()

示例 3：不同插值方法对比

实例

import matplotlib.pyplot as plt
import numpy as np

# 创建一个小尺寸数据（10x10），放大显示来体现插值差异
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([])

# 隐藏最后一个多余的子图
axes[-1].set_visible(False)

fig.suptitle('Comparison of Interpolation Methods', fontsize=14)
plt.show()

示例 4：显示真实图像 (RGB)

实例

import matplotlib.pyplot as plt
import numpy as np

# 创建一个 "渐变" 图像（模拟 RGB 图像）
# 高度 100，宽度 200，3 个颜色通道
height, width = 100, 200
image = np.zeros((height, width, 3))

# R 通道：从左到右递增
image[:, :, 0] = np.linspace(0, 1, width)
# G 通道：从下到上递增
image[:, :, 1] = np.linspace(0, 1, height).reshape(-1, 1)
# B 通道：对角线方向渐变
image[:, :, 2] = np.sin(np.linspace(0, 4*np.pi, width)) * 0.5 + 0.5

fig, ax = plt.subplots(figsize=(8, 4), layout='constrained')

# 3D 数组 (M,N,3) 自动识别为 RGB 图像，无需 cmap
ax.imshow(image)
ax.set_title('Synthetic RGB Image')
ax.set_xlabel('Width (pixels)')
ax.set_ylabel('Height (pixels)')
plt.show()
print("runoob: image displayed")

示例 5：对数归一化

实例

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import LogNorm

# 创建跨度很大的数据
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 # 高斯函数，值从 0 到 1000

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5),
layout='constrained')

# 左图：线性归一化（默认）
im1 = ax1.imshow(Z, cmap='hot')
ax1.set_title('Linear Normalization')
fig.colorbar(im1, ax=ax1, shrink=0.8)

# 右图：对数归一化（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()

常见问题

origin='upper' 和 'lower' 的区别？

origin='upper'（默认）：数组 [0, 0] 在左上角，y 轴从上到下，适合图像。

origin='lower'：数组 [0, 0] 在左下角，y 轴从下到上，适合数学/科学数据。

可通过 plt.rcParams['image.origin'] = 'lower' 全局修改默认行为。

imshow vs pcolormesh 如何选择？

imshow() 适合规则网格、大数据量、快速渲染（基于光栅化）。

pcolormesh() 适合不规则网格、需要精确的网格边界（基于矢量绘制）。

如何显示灰度图像？

设置 cmap='gray' 或 cmap='Greys_r'（灰度反转）。

Matplotlib 参考文档

返回顶部

菜鸟教程