vmin-vmax算法matplotlib

Question

我写了校准图像的脚本（暗框和平场）…这是代码的一部分

for n in range(len(img)):
  with pyfits.open(img[n], mode='update', memmap=True) as im:
    imgg = im[0].data
    header = im[0].header
    imgg.astype(float)
    imgg = (imgg - dd) / df
    imgg[np.isnan(imgg)] = 1
    imgg.astype(int)
    plt.imshow(imgg, cmap=plt.cm.Greys_r, vmin=0.5, vmax=1.5)
    plt.show()

该部分代码实现了暗框平场图像的标定。。。当我在绘制vmin和vmax时，我得到了正确的图片，但我不知道vmin和vmax是如何工作的。我需要在图像数据（imgg）上应用这个，因为当我保存数据时，得到的图像没有vmin和vmax。。。

有什么建议吗？

第二个问题。。。如何在fits文件中保存数据更改？当我使用im.close()时，这只对一个文件起作用，但不在循环中起作用。

谢谢

编辑

好的，这是完整的脚本

import numpy as np
import pyfits
from matplotlib import pyplot as plt
import glob


dark=glob.glob('.../ha/dark/*.fits')
flat=glob.glob('.../ha/flat/*.fits')
img=glob.glob('.../ha/*.fits')

sumd0 = pyfits.open(dark[0])
sumdd=sumd0[0].data
sumdd.astype(float)
for i in range(1,len(dark)):
     sumdi=pyfits.open(dark[i])
     sumdi=sumdi[0].data
     sumdd=sumdd.astype(float)+sumdi.astype(float)
dd=sumdd/len(dark)

sumf0 = pyfits.open(flat[0])
sumff=sumf0[0].data
sumff.astype(float)
for i in range(1,len(flat)):
     sumfi=pyfits.open(flat[i])
     sumfi=sumfi[0].data
     sumff=sumff.astype(float)+sumfi.astype(float)

ff=sumff/len(flat)

df=(ff-dd)

for n in range(len(img)):
    with pyfits.open(img[n],mode='update',memmap=True) as im:
        imgg=im[0].data
        header=im[0].header
        imgg.astype(float)
        imgg=(imgg-dd)/df
        imgg.astype(int)
plt.imshow(imgg,cmap=plt.cm.Greys_r,vmin=0.5,vmax=1.5)
plt.show()

Answer 1

在imshow中使用vmin和vmax参数与norm一起用于规范化数据。

示例：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1,10,10)
y = np.sin(x)

data = np.array([x,y])

# WITHOUT VMIN AND VMAX
im = plt.imshow(data,cmap = plt.get_cmap('jet'))
plt.colorbar(im)
plt.show() 

你得到这样一个图，其中imshow将数据规范化为其min和max。

但是当我们将vmin和vmax设置为0和1时，颜色将被标准化，就像数据中存在一个值0和一个值1一样。

在这里，我们将imshow更改为

im = plt.imshow(data,cmap = plt.get_cmap('jet'), vmin=0, vmax=1)

从颜色栏中可以看到，它被标准化为0和1。

Answer 2

有点分散的问题，但我认为这是你想要的（从你在另一个答案的评论）。

要使用与vmin和vmax相同的行为钳制数据，请使用^{}：

np.clip(data, min, max)

就你而言：

data = np.clip(data, 0.5, 1.5)