python - 为什么这两个 numpy.divide 运算会给出如此不同的结果？

Question

我想使用 here 中描述的公式修正相机高光谱读数中的值。 ;

the captured data is subtracted by dark reference and divided with white reference subtracted dark reference.

在原始示例中，任务相当简单，白色和黑色引用与主要数据具有相同的形状，因此公式执行为:

corrected_nparr = np.divide(np.subtract(data_nparr, dark_nparr),
np.subtract(white_nparr, dark_nparr))

但是根据我的经验，主要数据要大得多。我的例子中的形状如下；

$ white_nparr.shape, dark_nparr.shape, data_nparr.shape
((100, 640, 224), (100, 640, 224), (4300, 640, 224))

这就是我重复引用数组的原因。

   white_nparr_rep = white_nparr.repeat(43, axis=0)
   dark_nparr_rep = dark_nparr.repeat(43, axis=0)
return np.divide(np.subtract(data_nparr, dark_nparr_rep), np.subtract(white_nparr_rep, dark_nparr_rep))

它几乎完美工作，如左图所示。但这种方法需要大量内存，因此我决定遍历大数组并即时用更正后的值替换原始值:

ref_scale = dark_nparr.shape[0]
data_scale = data_nparr.shape[0]

for i in range(int(data_scale / ref_scale)):
    data_nparr[i*ref_scale:(i+1)*ref_scale] = 
        np.divide
        ( 
        np.subtract(data_nparr[i*ref_scale:(i+1)*ref_scale], dark_nparr),
        np.subtract(white_nparr, dark_nparr)
        )

但是这种遍历方法给了我最丑陋的结果，如右图所示。如果有任何可以帮助我解决此问题的想法，我将不胜感激。

注意:我应用了 20 次共同相加(20 次读数的平均值)来获得下面的图像。

编辑:每个数组的dtype如下:

$ white_nparr.dtype, dark_nparr.dtype, data_nparr.dtype
(dtype('float32'), dtype('float32'), dtype('float32'))

Answer 1

您的两种方法不一致，因为在第一种方法中您使用了

   white_nparr_rep = white_nparr.repeat(43, axis=0)

但第二种方法对应于使用

   white_nparr_rep = np.tile(white_nparr, (43, 1, 1))

如果第一种方法正确，您必须调整第二种方法以进行相应操作。也许

for i in range(int(data_scale / ref_scale)):
    data_nparr[i*ref_scale:(i+1)*ref_scale] = 
        np.divide
        ( 
        np.subtract(data_nparr[i*ref_scale:(i+1)*ref_scale], dark_nparr[i]),
        np.subtract(white_nparr[i], dark_nparr[i])
        )

---

一个二维数组的简单示例，显示了 repeat 和 tile 之间的区别:

In [146]: z
Out[146]: 
array([[ 1,  2,  3,  4,  5],
       [11, 12, 13, 14, 15]])

In [147]: np.repeat(z, 3, axis=0)
Out[147]: 
array([[ 1,  2,  3,  4,  5],
       [ 1,  2,  3,  4,  5],
       [ 1,  2,  3,  4,  5],
       [11, 12, 13, 14, 15],
       [11, 12, 13, 14, 15],
       [11, 12, 13, 14, 15]])

In [148]: np.tile(z, (3, 1))
Out[148]: 
array([[ 1,  2,  3,  4,  5],
       [11, 12, 13, 14, 15],
       [ 1,  2,  3,  4,  5],
       [11, 12, 13, 14, 15],
       [ 1,  2,  3,  4,  5],
       [11, 12, 13, 14, 15]])

---

题外话:我不知道为什么您链接到的页面的作者将 NumPy 表达式写为(例如):

corrected_nparr = np.divide(
    np.subtract(data_nparr, dark_nparr),
    np.subtract(white_nparr, dark_nparr))

NumPy 允许您将其写为

corrected_nparr = (data_nparr - dark_nparr) / (white_nparr - dark_nparr)

这对我来说看起来更好。