假设我有一个 (M,N) 图像 J(形状为 (M,N,3))。我有一个 (2,MN) 矩阵 K,如下所示:
0 0 0 ... 0 1 1 1 ... 1 ............. M M M ... M
0 1 2 ... N 1 2 3 ... N ............. 1 2 3 ... N
现在我将上面的矩阵乘以 2 x 2 矩阵,得到一个与 K 大小相同的新矩阵 T。
现在我想创建一个新图像,其中新图像中的像素 (r,s) 等于 r*N+ 中旧图像像素的 (R,G,B) 值T 的 M 列。
如果可能的话,我想以矢量化的方式执行此操作。我不想使用 for 循环(我已经知道如何使用 for 循环来做到这一点,但它非常慢)。事实上,我对这个问题的兴趣是因为我想以矢量化的方式应用单应性变换。
感谢任何帮助。这是使我想要清楚的内容的疯狂版本:
for r in range(0,M):
for s in range(0,N):
x, y = T[:,r*N+s]
new_image[r,s] = J[x,y]
最佳答案
由于内部索引的幸运布局,您几乎可以直接使用索引数组:
import numpy as np
# set up dummy input
M,N = 300,400
J = np.random.rand(M, N, 3)
T = np.array([np.random.randint(0, M, M*N), np.random.randint(0, N, M*N)])
# original
new_image = np.empty_like(J)
for r in range(0,M):
for s in range(0,N):
x, y = T[:,r*N+s]
new_image[r,s] = J[x,y]
# vectorized new
new_image_vect = J[tuple(T)].reshape(J.shape)
检查:
>>> np.array_equal(new_image, new_image_vect)
True
上面的工作方式并不完全是微不足道的,因为 advanced indexing is a fickle thing 。我上面写的相当于
J[(T[0,...], T[1,...])].reshape(J.shape) -> J[T[0,...], T[1,...]].reshape(J.shape)
现在第一部分更清楚了:取出T
第一行中的每个元素并将其用作J
的第一个索引,然后取出T
中的相应元素T
的第二行并将其用作 J
相应的第二个索引。这部分内容涵盖了循环版本中的 J[x,y]
。
但是,由于我们本质上是使用长度为 M*N
的一维数组来索引数组,因此生成的数组的形状也将具有 M*N
形状它的第一个维度(以及大小为 3 的尾随维度)。因此,我们需要将结果 reshape
回(M,N,3)
。
所有这些都只能直接起作用,因为 T
中的索引是根据 C 连续内存顺序存储的。如果不是这种情况,我们就必须来回转置
我们的数组,以便生成具有正确布局的结果数组。
关于python - 在 python 中从 (2,MN) 矩阵读取 (M,N) 图像的值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53063528/