TensorFlow图像缩放后Matplotlib逆显示的两种有效方式原理疑惑

核心前提：plt.imshow的输入要求 #

plt.imshow支持两种合法输入：

• 整数数组：取值范围[0, 255]（对应8位图像的标准像素值）
• 浮点数数组：取值范围[0, 1]（会自动映射到[0, 255]的像素范围显示）

两种逆缩放方式本质都是把预处理后的数值区间，映射到plt.imshow能识别的合法范围，下面分两种预处理场景拆解：

场景1：预处理到[-1, 1]区间 #

预处理代码：

image = (tf.cast(image, tf.float32) / 127.5) - 1

这个操作是对原始[0, 255]的uint8像素值做线性变换：

• 原始像素为0时：(0 / 127.5) - 1 = -1
• 原始像素为255时：(255 / 127.5) - 1 = 2 - 1 = 1
  最终得到[-1, 1]区间的浮点数。

两种逆变换的等价性

1. 转[0,255]整数的方式：

   ((example[0] + 1) * 127.5).numpy().astype('uint8')
   

   推导：假设x是[-1,1]区间的数值，x+1会把区间拉到[0,2]，乘以127.5后得到[0,255]，转成uint8后完全符合plt.imshow的整数输入要求。

2. 转[0,1]浮点数的方式：

   example[0] * 0.5 + 0.5
   

   推导：x是[-1,1]区间的数值，x*0.5把区间压缩到[-0.5,0.5]，再加0.5后直接映射到[0,1]，刚好符合plt.imshow的浮点数输入要求，无需转uint8就能正常显示。

场景2：预处理到[-0.5, 0.5]区间 #

预处理代码：

image = (tf.cast(image, tf.float32) / 255) - 0.5

原始[0,255]的像素值变换后：

• 原始像素为0时：(0 / 255) - 0.5 = -0.5
• 原始像素为255时：(255 / 255) - 0.5 = 1 - 0.5 = 0.5
  最终得到[-0.5, 0.5]区间的浮点数。

逆变换example[0] + 0.5的原理：
把[-0.5,0.5]的每个值加0.5，直接将区间平移到[0,1]，完全符合plt.imshow的浮点数输入要求，因此可以正确显示。

完整示例代码 #

import tensorflow as tf
import matplotlib.pyplot as plt

AUTOTUNE = tf.data.experimental.AUTOTUNE

IMAGE_SIZE = [256, 256]

files = ["<add_an_image_location>"]

def decode_image(image):
    image = tf.io.read_file(image)
    image = tf.io.decode_png(image, channels=3)
    image = tf.image.resize(image, [*IMAGE_SIZE])
    image = (tf.cast(image, tf.float32) / 127.5) - 1  # 转换到[-1, 1]区间
    image = tf.reshape(image, [*IMAGE_SIZE, 3])
    return image


def load_dataset(filenames, labeled=True, ordered=False):
    dataset = tf.data.Dataset.from_tensor_slices(filenames)
    dataset = dataset.map(decode_image, num_parallel_calls=AUTOTUNE)
    return dataset

ds = load_dataset(files, labeled=True).batch(1)

example = next(iter(ds))

plt.imshow(example[0] * 0.5 + 0.5)  # 直接映射到[0,1]浮点数区间
plt.show()

内容的提问来源于stack exchange，提问作者Pratheek Ponnuru