FigSize产生的图像分辨率

Matplotlib

发布日期: 2023-12-11

首先，明确DPI和PPI概念

PPI和DPI是分辨率，resolution。

PPI用于显示器，一个像素一个格子，“每英寸像素”，表示一行一英寸长有几个格子。
DPI用于打印机，“每英寸墨点”。（DPI事实上也用于显示器，例如Python图片用dpi设置，显示器一点对一像素，所以对于显示器来说 1 ppi = 1 dpi。我们不讨论这种情况。）

1 英寸=2.54 厘米

我们先说电脑。PPI有三个层次：PPI

显示器PPI。电脑的显示屏可物理地视为围棋棋盘，其PPI是出厂固定的，这是硬件，不可改变，比如某显示器的一格（一个pixel）边长11¼ μm。PPI
操作系统PPI。操作系统可以将显示器设成自己的分辨率，例如1024＊1024，800＊600，这是棋盘格的宽width高height，作为用户，对我们的视觉有影响的是这个分辨率。PPI
图片PPI。电脑的图片我们可以看到（以Mac为例）“尺寸”，

简言之，

图片分辨率=图片PPI，
图片尺寸=width(in pixels)*height(in pixels)=[图片PPI*宽(in inches)]*[图片PPI*高(in inches)]，
图片体积=图片尺寸*4*压缩比，或图片体积粗略地正比于图片尺寸。

还有一张图清晰的标明dpi和ppi的区别

手工数，图中显示器的一格，打印机是6*6格，即从一行看，打印机dpi值=6 * 电脑ppi值，假如一幅图在电脑中是72ppi，那么为了打印效果好（每个墨点有独立数据），打印机得72*6=432dpi
DPI 和 PPI 经常混用。因为很多行业将“Dot”泛指为所有的图像基本单元。多数情况下，DPI=PPI。
首先查看官方文档

figsize：2-tuple of floats, default: rcParams["figure.figsize"] (default: [6.4, 4.8]) 
    Figure dimension (width, height) in inches. 
dpi：float, default: rcParams["figure.dpi"] (default: 100.0) 
    Dots per inch.

上边我们能知道，默认每英尺是100dpi，而figsize则是传递宽几英尺，高几英尺

示例

def show_images(img, num_rows, num_cols, scale=2): 
    figsize = (num_cols * scale, num_rows * scale) 
    # 这里假如num_cols=5 num_rows=2 scale=2 
    # 结果应该是， 
    # 宽：10英尺 
    # 高：4英尺 
    # 得到的图片像素应该是：10*100=1000 4*100=400 
    # 1000*400 
    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize) 
    for i in range(num_rows): 
        for j in range(num_cols): 
            axes[i][j].imshow(img[i * num_cols + j]) 
            axes[i][j].axes.get_xaxis().set_visible(False) 
            axes[i][j].axes.get_yaxis().set_visible(False) 
    plt.show() 
    return _, axes

输出如下图

def show_images(img, num_rows, num_cols, scale=2): 
    figsize = (num_cols * scale, num_rows * scale) 
    # 这里假如num_cols=5 num_rows=2 scale=10
    # 结果应该是， 
    # 宽：50英尺 
    # 高：20英尺 
    # 得到的图片像素应该是：50*100=5000 20*100=2000
    # 5000*2000
    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize) 
    for i in range(num_rows): 
        for j in range(num_cols): 
            axes[i][j].imshow(img[i * num_cols + j]) 
            axes[i][j].axes.get_xaxis().set_visible(False) 
            axes[i][j].axes.get_yaxis().set_visible(False) 
    plt.show() 
    return _, axes