ImageNormalize

class astropy.visualization.ImageNormalize(data: ~numpy.ndarray | None = None, interval: ~astropy.visualization.interval.BaseInterval | None = None, vmin: float | None = None, vmax: float | None = None, stretch: ~astropy.visualization.stretch.BaseStretch = <astropy.visualization.stretch.LinearStretch object>, clip: bool = False, invalid: float | None = -1.0)

基类：Normalize

要与Matplotlib一起使用的规范化类。

参数:

data : ndarray ，可选ndarray，可选

图像数组。此输入仅在以下情况下使用 interval 也是输入。 data 和 interval 仅在以下情况下用于计算vmin和/或vmax值 vmin 或 vmax 不是输入。

间隔 ： BaseInterval 子类实例，可选BaseInterval子类实例，可选

要应用于输入的间隔对象 data 确定 vmin 和 vmax 价值观。此输入仅在以下情况下使用 data 也是输入。 data 和 interval 仅在以下情况下用于计算vmin和/或vmax值 vmin 或 vmax 不是输入。

vmin, vmax : float ，可选Python：Float，可选

要为数据显示的最小和最大级别。这个 vmin 和 vmax 输入覆盖来自 interval 和 data 输入。

伸展 ： BaseStretch 子类实例BaseStretch子类实例

要应用于数据的拉伸对象。默认值是 LinearStretch .

clip : bool ，可选可选的布尔

如果 True ，数据值超出 [0:1] 范围被剪裁到 [0:1] 范围。

invalid : None 或 float ，可选PYTHON：NONE或PYTHON：FLOAT，可选

值指定由此类生成的NaN值。输入中的NaNs data 数组未更改。对于matplotlib规范化 invalid 值应映射到matplotlib colormap“under”值（即任何小于0的有限值）。如果 None ，则不替换NaN值。如果 clip=True .

笔记

如果 vmin == vmax ，输入数据将映射到0。

参数:

vmin, vmax : float 或 NonePYTHON：FLOAT或PYTHON：无

的范围之内的值 [vmin, vmax] 从输入数据将线性映射到 [0, 1] .如果任何一 vmin 或 vmax 则它们分别默认为输入的最小值和最大值。

clip : bool ，默认： False布尔，默认：PYTHON：FALSE

确定映射范围外的值的行为 [vmin, vmax] 。

如果关闭剪裁，则值超出范围 [vmin, vmax] 也发生了转变，产生了外部的价值观 [0, 1] . 这种行为通常是可取的，因为颜色图可以标记这些行为 under 和 over 具有特定颜色的值。

如果剪裁处于启用状态，则以下值 vmin 映射到0和以上的值 vmax 映射到1。此类值变得与常规边界值难以区分，这可能会导致数据的误解。

笔记

如果 vmin == vmax ，输入数据将映射到0。

属性摘要

clip
vmax
vmin

方法总结

__call__(values[, clip, invalid])	使用此规范化转换值。
autoscale （A）	设置 vmin , vmax 到最小，最大 A .
autoscale_None （A）	如果 vmin 或 vmax 未设置，请使用的最小/最大值 A 来设置它们。
inverse(values[, invalid])	映射规格化值（即，颜色图中的索引）返回到图像数据值。
process_value （值）	使输入均匀化 value 简单有效的标准化。
scaled ()	返回是否 vmin 和 vmax 都准备好了。

属性文档

clip

vmax

vmin

方法文件

__call__(values, clip=None, invalid=None)

使用此规范化转换值。

参数:

values : array_likeNumpy：ARRAY_LIKE

输入值。

clip : bool ，可选可选的布尔

如果 True ，外部值 [0:1] 范围被剪裁到 [0:1] 范围。如果 None 然后 clip 值来自 ImageNormalize 使用实例（默认为 False ）

invalid : None 或 float ，可选PYTHON：NONE或PYTHON：FLOAT，可选

值指定由此类生成的NaN值。输入中的NaNs data 数组未更改。对于matplotlib规范化 invalid 值应映射到matplotlib colormap“under”值（即任何小于0的有限值）。如果 None 然后 ImageNormalize 使用实例值。如果 clip=True .

autoscale(A)

设置 vmin , vmax 到最小，最大 A .

autoscale_None(A)

如果 vmin 或 vmax 未设置，请使用的最小/最大值 A 来设置它们。

inverse(values, invalid=None)

映射规格化值（即，颜色图中的索引）返回到图像数据值。

参数:

value

标准化值。

static process_value(value)

使输入均匀化 value 简单有效的标准化。

value 可以是纯量或序列。

参数:

value

数据要正常化。

返回:

result : masked array掩码数组

形状相同的掩蔽阵列 value .

is_scalar : bool布尔

是否 value 是一个纯量。

笔记

Float数据类型被保留;两个字节或更小的integer类型被转换为np.float32，较大的类型被转换为np.float64。尽可能保留float 32并使用就地操作可以极大地提高大型阵列的速度。

scaled()

返回是否 vmin 和 vmax 都准备好了。