PIL图像显示的缩放归一化机制及Matplotlib显示numpy数组模糊问题咨询

问题说明 #

使用PIL裁剪图像后，直接通过plt.imshow显示清晰度很高，但将图像转为numpy数组修改像素后，显示效果极差。需要了解PIL的数值处理逻辑，同时解决该问题以便用于EasyOCR数字识别。

代码示例 #

the_image = Image.open(temp_image_file)
sub_image = the_image.crop((520,965,565,1900))

plt.imshow(sub_image, cmap='gray')
plt.show()

si = np.array(sub_image, dtype=np.uint8)
si[np.where(si == 48)] = 255  
plt.imshow(si, cmap='gray')
plt.show()

PIL的数值缩放与归一化逻辑 #

• PIL灰度图像（L模式）以0-255的uint8格式存储像素值，本身不存在额外的缩放或归一化操作，数据直接对应标准灰度范围。
• 当plt.imshow接收PIL Image对象时，会自动识别图像模式，直接将0映射为黑色、255映射为白色，无需额外数值转换，因此显示效果精准还原原始图像。

为什么numpy数组显示效果差 #

1. 插值方式默认值：Matplotlib显示numpy数组时，默认使用bilinear或antialiased插值放大图像，会导致小尺寸或高对比度图像出现模糊。
2. 自动对比度映射：若numpy数组的实际像素值范围未覆盖0-255（或Matplotlib误判范围），会自动重新映射数值到0-255区间，破坏原始对比度，导致图像辨识度下降。

解决方案 #

方案1：直接在PIL图像上修改像素（推荐） #

无需转numpy数组，直接通过PIL的point方法修改像素，保留原始图像的显示和识别效果：

the_image = Image.open(temp_image_file)
sub_image = the_image.crop((520,965,565,1900))
# 直接修改PIL图像中的像素值
sub_image = sub_image.point(lambda x: 255 if x == 48 else x)

# 显示图像
plt.imshow(sub_image, cmap='gray')
plt.show()

# 直接传入EasyOCR识别
import easyocr
reader = easyocr.Reader(['en'])
result = reader.readtext(sub_image)

方案2：numpy数组处理后优化显示 #

若必须使用numpy数组，显示时指定插值方式并锁定数值范围：

si = np.array(sub_image, dtype=np.uint8)
si[si == 48] = 255  # 简化写法，替代np.where

# 指定最近邻插值+锁定0-255的灰度范围
plt.imshow(si, cmap='gray', interpolation='nearest', vmin=0, vmax=255)
plt.show()

方案3：确认图像模式 #

确保裁剪后的图像为灰度模式，避免模式不兼容导致的显示问题：

sub_image = sub_image.convert('L')  # 转为灰度模式

内容的提问来源于stack exchange，提问作者El Dude