### 如何在 Python 中使用 Matplotlib `imshow` 同时显示多张图片 为了在同一窗口中展示多个图像，可以采用子图（subplot）的方式。通过这种方式可以在同一个画布上布局多个独立的绘图区域。 #### 创建子图并显示多张图片 ```python import matplotlib.pyplot as plt import numpy as np # 假设有三张不同的随机生成的图像 img1 = np.random.rand(10, 10) img2 = np.random.rand(10, 10) img3 = np.random.rand(10, 10) fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(15, 5)) for ax, data in zip(axes.flat, [img1, img2, img3]): im = ax.imshow(data, cmap='viridis') fig.colorbar(im, ax=ax) # 添加颜色条以便理解数值范围 plt.tight_layout() plt.show() ``` 这段代码展示了如何创建三个水平排列的子图，并分别向其中添加不同内容的图像[^1]。这里还加入了色彩条用于辅助解释图像中的数据分布情况。 对于彩色图像的情况，则需要注意 OpenCV 和 Matplotlib 对于 RGB 颜色空间的不同处理方式： 当从文件加载图像时，如果使用的是 OpenCV 库 (`cv2`) 进行读取操作，那么需要调整通道顺序才能正确地用 Matplotlib 展示出来[^2]。 #### 调整通道顺序以适应 Matplotlib 的需求 ```python import cv2 def load_and_convert_image(path): img_bgr = cv2.imread(path) img_rgb = img_bgr[:, :, ::-1].copy() # 将 BGR 转换为 RGB return img_rgb image_paths = ['/path/to/image1.png', '/path/to/image2.png'] images = [load_and_convert_image(p) for p in image_paths] _, axs = plt.subplots(len(images), 1, figsize=(8, 6 * len(images))) if not isinstance(axs, np.ndarray): axs = [axs] for idx, (ax, img) in enumerate(zip(axs, images)): ax.set_title(f'Image {idx + 1}') ax.imshow(img) plt.tight_layout() plt.show() ``` 此部分说明了针对实际存在的彩色图像文件，在将其导入程序之后应当怎样修改其像素矩阵结构从而确保最终呈现效果符合预期。 最后值得注意的一点是在某些情况下可能希望不仅限于简单地可视化这些图像本身，而是进一步增强表达力——比如给定一个由具体数值得到的热力图形式的结果。此时可以通过设置合适的 colormap 参数以及附加文字标签等方式实现更丰富的视觉传达效果[^3]。