【matplotlib + opencv】关于opencv和matplotlib绘制图像时，出现色差色偏的问题探讨，思考，解决。（深度学习数据包plt.imshow绘制的图像底色偏绿蓝偏黄）

Phemia ·

更新时间:2024-09-20

· 876 次阅读

文章目录一、图像红变蓝，蓝变红的问题（1）原因分析（2）代码及结果展示1）错误代码2）错误结果3）正确代码二、深度学习数据包plt.imshow绘制图像偏蓝黄色（1）原因分析1）原理解释代码2）结果（2）实际绘图分析与解决1）问题代码示例2）问题结果3）期望代码示例4）期望结果三、参考 一、图像红变蓝，蓝变红的问题 （1）原因分析 用cv2.imread()读取数据，用plt.imshow()展示数据会出现红变蓝，蓝变红的问题。原因：cv2.imread() 读取图像格式为b,g,r（这是由于以前流行bgr格式的图像显示方式，今年才流行rgb格式，opencv的这个格式是历史遗留问题）而 plt.imshow()显示按照 rgb次序。因此会出现色偏，应该使用 RGB 和 BGR 的转换可以直接使用 cvt = org[:,:,::-1] 来实现，前两个 : 表示第一第二维不变，::-1表示将第三维倒序排列。 （2）代码及结果展示 1）错误代码

import cv2
import matplotlib.pyplot as plt
image = cv2.imread('1.jpg')
# image = image[:, :, ::-1]
print(image.shape)
plt.imshow(image)
# 关闭x,y轴刻度
plt.xticks([])
plt.yticks([])
# 关闭坐标轴
plt.axis('off')
plt.show()

2）错误结果 左边为原图，右边为plt.imshow()显示的图片，可以发现红变蓝，蓝变红的问题

3）正确代码 RGB 和 BGR 的转换可以直接使用 cvt = org[:,:,::-1] 来实现，前两个 : 表示第一第二维不变，::-1表示将第三维倒序排列。

import cv2
import matplotlib.pyplot as plt
image = cv2.imread('1.jpg')
# 修改的地方，bgr→rgb
image = image[:, :, ::-1]
# 或image = image[:,:,[2,1,0]]
print(image.shape)
plt.imshow(image)
# 关闭x,y轴刻度
plt.xticks([])
plt.yticks([])
# 关闭坐标轴
plt.axis('off')
plt.show()

二、深度学习数据包plt.imshow绘制图像偏蓝黄色 （1）原因分析 色偏问题原因：plt.imshow()在绘制2维图像时，0（最小值）显示深蓝色，1（最大值）显示黄色，其他数值显示由蓝到黄的过度颜色，所以图像画出来是蓝黄相间的。 1）原理解释代码

# coding=utf-8
from matplotlib import pyplot as plt
X = [[0.1, 0.2, 0.3],
     [0.4, 0.5, 0.6],
     [0.7, 0.8, 0.9]]
plt.imshow(X)
plt.colorbar()
# # 关闭x,y轴刻度
# plt.xticks([])
# plt.yticks([])
# # 关闭坐标轴
# plt.axis('off')
plt.show()

2）结果

在这里插入图片描述

（2）实际绘图分析与解决 下图每一张图像是由（28，28， 1）压缩（np.squeeze）到（28，28）的异色图像，以下代码以FashionMNIST数据集为例，首先读取10个（28，28）的图片展示在一排，图片颜色维蓝黄色。相关博客：【pytorch + matplotlib】将若干张图像拼接成一张图像（附代码，以FashionMNIST为例）（subplot 和 subplots区别） 1）问题代码示例

import matplotlib.pyplot as plt
import numpy as np
import torchvision
import torchvision.transforms as transforms
from IPython import display
np.set_printoptions(threshold=100000000)
mnist_train = torchvision.datasets.FashionMNIST(root='./data', train=True, download=True,
                                                transform=transforms.ToTensor())
mnist_test = torchvision.datasets.FashionMNIST(root='./data', train=False, download=True,
                                               transform=transforms.ToTensor())
def use_svg_display():
    """Use svg format to display plot in jupyter"""
    display.set_matplotlib_formats('svg')
# 本函数已保存在d2lzh包中方便以后使用
def get_fashion_mnist_labels(labels):
    text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_labels[int(i)] for i in labels]
# 本函数已保存在d2lzh包中方便以后使用
def show_fashion_mnist(images, labels):
    use_svg_display()
    # 这里的_表示我们忽略（不使用）的变量
    _, figs = plt.subplots(1, len(images), figsize=(12, 12))
    for f, img, lbl in zip(figs, images, labels):
        # np.squeeze将（1，28，28）→（28，28）
        f.imshow(np.squeeze(img.numpy()))
        f.set_title(lbl)
        f.axes.get_xaxis().set_visible(False)
        f.axes.get_yaxis().set_visible(False)
    plt.show()
# 完成了torch.utils.data.DataLoader的功能
X, y = [], []
for i in range(10):
    X.append(mnist_train[i][0])
    y.append(mnist_train[i][1])
show_fashion_mnist(X, get_fashion_mnist_labels(y))

2）问题结果

在这里插入图片描述

3）期望代码示例 绘制出黑白图像方法：将三个相同的（28，28， 1）的图像升维为（28，28， 3）的图像，然后绘制出来，就可以发现是正常的黑白图像了。

import matplotlib.pyplot as plt
import numpy as np
import torchvision
import torchvision.transforms as transforms
from IPython import display
np.set_printoptions(threshold=100000000)
mnist_train = torchvision.datasets.FashionMNIST(root='./data', train=True, download=True,
                                                transform=transforms.ToTensor())
mnist_test = torchvision.datasets.FashionMNIST(root='./data', train=False, download=True,
                                               transform=transforms.ToTensor())
def use_svg_display():
    """Use svg format to display plot in jupyter"""
    display.set_matplotlib_formats('svg')
# 本函数已保存在d2lzh包中方便以后使用
def get_fashion_mnist_labels(labels):
    text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_labels[int(i)] for i in labels]
# 本函数已保存在d2lzh包中方便以后使用
def show_fashion_mnist(images, labels):
    use_svg_display()
    # 这里的_表示我们忽略（不使用）的变量
    _, figs = plt.subplots(1, len(images), figsize=(12, 12))
    for f, img, lbl in zip(figs, images, labels):
        img = np.squeeze(img).numpy()
        # (3, 28, 28)
        image = np.array([img, img, img])
        # (3, 28, 28) → (28, 28, 3)
        f.imshow(np.transpose(image, (1, 2, 0)))
        f.set_title(lbl)
        f.axes.get_xaxis().set_visible(False)
        f.axes.get_yaxis().set_visible(False)
    plt.show()
# 完成了torch.utils.data.DataLoader的功能
X, y = [], []
for i in range(10):
    X.append(mnist_train[i][0])
    y.append(mnist_train[i][1])
show_fashion_mnist(X, get_fashion_mnist_labels(y))

4）期望结果 最后终于得到了想要的黑白图像啦！
在这里插入图片描述