python - MATLAB 到 Python 转换 : vectors, 数组，索引元素

Question

大家好!我目前正在将一个 MATLAB 项目转换为 Python 2.7。我正在尝试转换行

h =  [  im(:,2:cols)  zeros(rows,1) ] - [  zeros(rows,1)  im(:,1:cols-1)  ];

当我尝试转换它时

h = np.concatenate((im[1,range(2,cols)], np.zeros((rows, 1)))) -  
np.concatenate((np.zeros((rows, 1)),im[1,range(2,cols - 1)] ))

IDLE 返回不同的错误，如

ValueError: all the input arrays must have same number of dimensions

我是 Python 的新手，如果您能推荐其他方法，我将不胜感激。太感谢了!这是我要转换的函数。

function [gradient, or] = canny(im, sigma, scaling, vert, horz)
xscaling = vert; yscaling = horz;
hsize = [6*sigma+1, 6*sigma+1];   % The filter size.

gaussian = fspecial('gaussian',hsize,sigma);
im = filter2(gaussian,im);        % Smoothed image.

im = imresize(im, scaling, 'AntiAliasing',false);

[rows, cols] = size(im);

h =  [  im(:,2:cols)  zeros(rows,1) ] - [  zeros(rows,1)  im(:,1:cols-1)  ];

而且我还会询问主要用于 Python 的索引和数组中的“:”运算符的等价物。 : 运算符是否有任何等效项？

我开始的Python转换代码:

def canny(im=None, sigma=None, scaling=None, vert=None, horz=None):

xscaling = vert
yscaling = horz

hsize = (6 * sigma + 1), (6 * sigma + 1) # The filter size.

gaussian = gauss2D(hsize, sigma)
im = filter2(gaussian, im) # Smoothed image.
print("This is im")
print(im)
print("This is hsize")
print(hsize)
print("This is scaling")
print(scaling)
#scaling = 0.4
#scaling = tuple(scaling)

im = cv2.resize(im,None, fx=scaling, fy=scaling )  
[rows, cols] = np.shape(im)

Answer 1

假设您的数据在列表列表中。试试这个:

a = [[2, 9, 4], [7, 5, 3], [6, 1, 8]]
im = np.array(a, dtype=float)
rows = 3
cols = 3
h = (np.hstack([im[:, 1:cols], np.zeros((rows, 1))])
   - np.hstack([np.zeros((rows, 1)), im[:, :cols-1]]))

相当于 MATLAB 的 horzcat (即 [A B])是 np.hstack相当于vertcat ([A; B]) 是 np.vstack .

Array indexing在 numpy 中非常接近 MATLAB，除了在 numpy 中索引从 0 开始，范围 p:q 表示“p 到 q-1”。

还有，数组的存储顺序是row-major默认情况下，您可以根据需要使用列优先顺序(参见 this )。在 MATLAB 中，数组按列优先顺序存储。要 checkin Python，请键入例如 np.isfortran(im)。如果它返回 true，则该数组具有与 MATLAB 相同的顺序(Fortran 顺序)，否则它是行优先的(C 顺序)。当您想要优化循环，或者当您将数组传递给 C 或 Fortran 例程时，这一点很重要。

理想情况下，尽量将所有内容尽快放入 np.array 中，并且不要使用列表(它们占用更多空间并且处理速度更慢)。还有一些怪癖:例如，1.0/0.0 抛出异常，但是 np.float64(1.0)/np.float64(0.0) 返回 inf，就像在 MATLAB 中一样。

---

评论中的另一个例子:

d1 = [ im(2:rows,2:cols) zeros(rows-1,1); zeros(1,cols) ] - ...
     [ zeros(1,cols); zeros(rows-1,1) im(1:rows-1,1:cols-1) ];

d2 = [ zeros(1,cols); im(1:rows-1,2:cols) zeros(rows-1,1); ] - ... 
     [ zeros(rows-1,1) im(2:rows,1:cols-1); zeros(1,cols) ];

对于这一个，您可以使用 np.block 而不是 np.vstack 和 np.hstack .

im = np.ones((10, 15))
rows, cols = im.shape

d1 = (np.block([[im[1:rows, 1:cols], np.zeros((rows-1, 1))],
                [np.zeros((1, cols))]]) -
      np.block([[np.zeros((1, cols))],
                [np.zeros((rows-1, 1)), im[:rows-1, :cols-1]]]))

d2 = (np.block([[np.zeros((1, cols))],
                [im[:rows-1, 1:cols], np.zeros((rows-1, 1))]]) -
      np.block([[np.zeros((rows-1, 1)), im[1:rows, :cols-1]],
                [np.zeros((1, cols))]]))