Wie kann ich einem Numpy-Array neue Dimensionen hinzufügen?

Ich beginne mit einer Reihe von Bildern.

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

Die Form entspricht den Erwartungen eines 640 x 480 RGB-Bildes.

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

Dieses Bild, das ich habe, ist jedoch ein Bild eines Videos, das 100 Bilder lang ist. Im Idealfall hätte ich gerne ein einziges Array, das alle Daten aus diesem Video enthält, sodass sie img.shapezurückgegeben werden (480, 640, 3, 100).

Was ist der beste Weg, um das nächste Bild - dh den nächsten Satz von Bilddaten, ein weiteres 480 x 640 x 3-Array - zu meinem ursprünglichen Array hinzuzufügen?

Sie fragen, wie Sie einem NumPy-Array eine Dimension hinzufügen können, damit diese Dimension erweitert werden kann, um neue Daten aufzunehmen. Eine Dimension kann wie folgt hinzugefügt werden:

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

Alternativ zu

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

In der Antwort von @dbliss können Sie auch numpy.expand_dimslike verwenden

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

Zum Beispiel (aus dem obigen Link):

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

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

Dann

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

ergibt

array([[1, 2]])

und

y.shape

gibt

(1, 2)

Sie können einfach ein Array mit der richtigen Größe im Voraus erstellen und es füllen:

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

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

Wenn es sich bei den Frames um einzelne JPG-Dateien handelt, die auf eine bestimmte Weise benannt wurden (im Beispiel frame_0.jpg, frame_1.jpg usw.).

Nur eine Anmerkung, Sie könnten stattdessen ein (nframes, 480,640,3)geformtes Array verwenden.

Pythonic

X = X[:, :, None]

das ist äquivalent zu

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

Da Sie jedoch explizit nach dem Stapeln von Bildern fragen, würde ich empfehlen, die listBilder zu stapeln, die np.stack([X1, X2, X3])Sie möglicherweise in einer Schleife gesammelt haben.

Wenn Ihnen die Reihenfolge der Abmessungen nicht gefällt, können Sie sie neu anordnen np.transpose()

Sie können np.concatenate()angeben, welche axisangehängt werden sollen, indem Sie Folgendes verwenden np.newaxis:

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

Wenn Sie aus vielen Dateien lesen:

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

In numpy gibt es keine Struktur, mit der Sie später weitere Daten anhängen können.

Stattdessen fügt numpy alle Ihre Daten in einen zusammenhängenden Teil von Zahlen ein (im Grunde genommen ein C-Array), und für jede Größenänderung muss ein neuer Teil des Speichers zugewiesen werden, um sie zu speichern. Die Geschwindigkeit von Numpy beruht darauf, dass alle Daten in einem numpy-Array im selben Speicherbereich gespeichert werden können. Beispielsweise können mathematische Operationen aus Geschwindigkeitsgründen parallelisiert werden und Sie erhalten weniger Cache-Fehler .

Sie haben also zwei Arten von Lösungen:

1. Ordnen Sie den Speicher für das Numpy-Array vorab zu und geben Sie die Werte ein, wie in JoshAdels Antwort oder
2. Bewahren Sie Ihre Daten in einer normalen Python-Liste auf, bis sie tatsächlich alle zusammengefügt werden müssen (siehe unten).

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

Beachten Sie, dass Sie weder die Abmessungen der einzelnen Bildarrays zuerst erweitern noch wissen müssen, wie viele Bilder Sie im Voraus erwarten.

Betrachten Sie Ansatz 1 mit der Umformmethode und Ansatz 2 mit der Methode np.newaxis, die das gleiche Ergebnis erzielen:

#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)

Wir haben als Ergebnis:

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]]]]

Ich folgte diesem Ansatz:

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).