Jak mogę dodać nowe wymiary do tablicy Numpy?

Zaczynam od numpy tablicy obrazu.

In[1]:img = cv2.imread('test.jpg')

Kształt jest taki, jakiego można się spodziewać po obrazie 640x480 RGB.

In[2]:img.shape
Out[2]: (480, 640, 3)

Jednak ten obraz, który mam, to klatka wideo, która ma 100 klatek. Idealnie chciałbym mieć pojedynczą tablicę zawierającą wszystkie dane z tego filmu wideo, która img.shapezwraca (480, 640, 3, 100).

Jaki jest najlepszy sposób na dodanie następnej klatki - czyli następnego zestawu danych obrazu, kolejnej tablicy 480 x 640 x 3 - do mojej początkowej tablicy?

Pytasz, jak dodać wymiar do tablicy NumPy, aby ten wymiar mógł następnie zostać powiększony, aby pomieścić nowe dane. Wymiar można dodać w następujący sposób:

image = image[..., np.newaxis]

Alternatywnie do

image = image[..., np.newaxis]

w odpowiedzi @dbliss możesz również użyć numpy.expand_dimslike

image = np.expand_dims(image, <your desired dimension>)

Na przykład (wzięty z linku powyżej):

x = np.array([1, 2])

print(x.shape)  # prints (2,)

Następnie

y = np.expand_dims(x, axis=0)

plony

array([[1, 2]])

i

y.shape

daje

(1, 2)

Możesz po prostu utworzyć tablicę o odpowiednim rozmiarze z góry i wypełnić ją:

frames = np.empty((480, 640, 3, 100))

for k in xrange(nframes):
    frames[:,:,:,k] = cv2.imread('frame_{}.jpg'.format(k))

jeśli ramki były pojedynczymi plikami jpg, które zostały nazwane w określony sposób (w przykładzie ramka_0.jpg, ramka_1.jpg itd.).

Uwaga (nframes, 480,640,3), zamiast tego możesz rozważyć użycie tablicy shape.

Pythonic

X = X[:, :, None]

co jest równoważne

X = X[:, :, numpy.newaxis] i X = numpy.expand_dims(X, axis=-1)

Ale ponieważ wyraźnie pytasz o układanie obrazów w stosy, polecam ułożenie listobrazów np.stack([X1, X2, X3]), które być może zebrałeś w pętli.

Jeśli nie podoba ci się kolejność wymiarów, możesz zmienić kolejność np.transpose()

Możesz np.concatenate()określić, które elementy axisdołączyć, używając np.newaxis:

import numpy as np
movie = np.concatenate((img1[:,np.newaxis], img2[:,np.newaxis]), axis=3)

Jeśli czytasz z wielu plików:

import glob
movie = np.concatenate([cv2.imread(p)[:,np.newaxis] for p in glob.glob('*.jpg')], axis=3)

W numpy nie ma struktury, która pozwala później dołączyć więcej danych.

Zamiast tego numpy umieszcza wszystkie twoje dane w ciągłej porcji liczb (w zasadzie; tablica C), a każda zmiana rozmiaru wymaga przydzielenia nowej porcji pamięci do jej przechowywania. Szybkość Numpy wynika z możliwości przechowywania wszystkich danych w tablicy numpy w tej samej części pamięci; np. operacje matematyczne można zrównoleglać w celu zwiększenia szybkości i uzyskuje się mniej błędów pamięci podręcznej .

Będziesz więc mieć dwa rodzaje rozwiązań:

1. Wstępnie przydziel pamięć dla tablicy numpy i wypełnij wartości, jak w odpowiedzi JoshAdela lub
2. Przechowuj dane na normalnej liście Pythona, dopóki nie będą potrzebne do połączenia ich wszystkich (patrz poniżej)

images = []
for i in range(100):
    new_image = # pull image from somewhere
    images.append(new_image)
images = np.stack(images, axis=3)

Zwróć uwagę, że nie ma potrzeby wcześniejszego rozszerzania wymiarów poszczególnych tablic obrazów ani nie musisz wiedzieć, ile obrazów spodziewasz się z wyprzedzeniem.

Rozważ Podejście 1 z metodą zmiany kształtu i Podejście 2 z metodą np. Newaxis, które dają ten sam wynik:

#Lets suppose, we have:
x = [1,2,3,4,5,6,7,8,9]
print('I. x',x)

xNpArr = np.array(x)
print('II. xNpArr',xNpArr)
print('III. xNpArr', xNpArr.shape)

xNpArr_3x3 = xNpArr.reshape((3,3))
print('IV. xNpArr_3x3.shape', xNpArr_3x3.shape)
print('V. xNpArr_3x3', xNpArr_3x3)

#Approach 1 with reshape method
xNpArrRs_1x3x3x1 = xNpArr_3x3.reshape((1,3,3,1))
print('VI. xNpArrRs_1x3x3x1.shape', xNpArrRs_1x3x3x1.shape)
print('VII. xNpArrRs_1x3x3x1', xNpArrRs_1x3x3x1)

#Approach 2 with np.newaxis method
xNpArrNa_1x3x3x1 = xNpArr_3x3[np.newaxis, ..., np.newaxis]
print('VIII. xNpArrNa_1x3x3x1.shape', xNpArrNa_1x3x3x1.shape)
print('IX. xNpArrNa_1x3x3x1', xNpArrNa_1x3x3x1)

W rezultacie otrzymujemy:

I. x [1, 2, 3, 4, 5, 6, 7, 8, 9]

II. xNpArr [1 2 3 4 5 6 7 8 9]

III. xNpArr (9,)

IV. xNpArr_3x3.shape (3, 3)

V. xNpArr_3x3 [[1 2 3]
 [4 5 6]
 [7 8 9]]

VI. xNpArrRs_1x3x3x1.shape (1, 3, 3, 1)

VII. xNpArrRs_1x3x3x1 [[[[1]
   [2]
   [3]]

  [[4]
   [5]
   [6]]

  [[7]
   [8]
   [9]]]]

VIII. xNpArrNa_1x3x3x1.shape (1, 3, 3, 1)

IX. xNpArrNa_1x3x3x1 [[[[1]
   [2]
   [3]]

  [[4]
   [5]
   [6]]

  [[7]
   [8]
   [9]]]]

Poszedłem w ten sposób:

import numpy as np
import cv2

ls = []

for image in image_paths:
    ls.append(cv2.imread('test.jpg'))

img_np = np.array(ls) # shape (100, 480, 640, 3)
img_np = np.rollaxis(img_np, 0, 4) # shape (480, 640, 3, 100).