嘿，这个问题我之前做类似的图像标记散点图时也碰到过，咱们来一步步拆解背后的原理：

1. 图像数据的两种常见范围差异 #

咱们平时接触的位图（比如你的白底黑矩形图），通常是以uint8类型存储的，像素值范围是0-255：

• 0代表纯黑，255代表纯白，中间值对应不同灰度。
  而0-1的范围是浮点型的归一化数据，把原0-255的像素值除以255得到，此时0依然是黑，1依然是白，但每个像素值是小数形式。

2. 绘图库对两种数据的渲染逻辑不同 #

大部分绘图库（比如Stack Overflow上这类问题最常用的matplotlib）对这两种数据的处理规则有本质区别：

• 当传入uint8类型的0-255图像时，库会默认把它当成「已经标准化的8位图像」，但在将其缩放到散点标记的小尺寸时，底层的插值/缩放逻辑会受到整数类型的限制：整数的步长是1，缩放时像素映射只能取整数值，很容易导致图像的宽高比被破坏，出现拉伸变形。尤其是你的图像只有黑（0）和白（255）两种极端值，这种生硬的整数插值会让矩形的边缘变形、整体比例失调。
• 当传入0-1的浮点型图像时，库会将其识别为「浮点型图像数据」，此时会启用更平滑的浮点插值算法。而且库会自动以0作为最小值（黑）、1作为最大值（白）来渲染，缩放时能精准保持原图像的宽高比和形状，不会因为整数步长的限制导致拉伸。

3. 结合你的场景具体解释 #

你的白底黑矩形图像，原数据是0和255的uint8数组。之前用Stack Overflow的代码时，绘图库在把这个图像缩放到散点标记大小的过程中，因为整数类型的限制，插值时无法平滑过渡，导致矩形被拉伸。而当你把数据归一化到0-1后，浮点型的插值能精准匹配原图像的比例，所以拉伸问题就解决了。

简单来说：归一化到0-1相当于给绘图库传递了「这是需要平滑处理的相对亮度数据」的信号，而不是「这是固定步长的8位像素数据」，从而让缩放逻辑正确工作。

内容的提问来源于stack exchange，提问作者jds