Как я могу добавить новые измерения в массив Numpy?

Ответ 1

Вы спрашиваете, как добавить измерение в массив NumPy, чтобы затем это измерение можно было увеличить для размещения новых данных. Размер можно добавить следующим образом:

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

Ответ 2

В качестве альтернативы

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

в ответе @dbliss вы также можете использовать numpy.expand_dims например

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

Например (взято по ссылке выше):

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

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

затем

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

доходность

array([[1, 2]])

а также

y.shape

дает

(1, 2)

Ответ 3

Вы можете просто создать массив правильного размера вверх и заполнить его:

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

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

если кадры были отдельными файлами jpg, которые были названы определенным образом (в примере frame_0.jpg, frame_1.jpg и т.д.).

Просто обратите внимание: вместо этого вы можете использовать массив (nframes, 480,640,3).

Ответ 4

Вы можете использовать np.concatenate(), указав, какой axis добавить, используя np.newaxis:

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

Если вы читаете из многих файлов:

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

Ответ 5

В numpy нет структуры, которая позволяет добавлять дополнительные данные позже.

Вместо этого numpy помещает все ваши данные в смежный фрагмент чисел (в основном, массив C), и для любого изменения размера требуется выделение нового фрагмента памяти для его хранения. Скорость работы с памятью зависит от возможности хранить все данные в массиве numpy в одном блоке памяти; например математические операции могут распараллеливаться для скорости, и вы получите меньше пропуски кеша.

Итак, у вас будет два вида решений:

• Предварительно выделите память для массива numpy и заполните значения, например, в ответе JoshAdel, или
• Храните ваши данные в обычном списке python, пока не понадобится их собрать вместе (см. ниже).

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

Обратите внимание, что нет необходимости сначала расширять размеры отдельных массивов изображений, и вам не нужно знать, сколько изображений вы ожидаете раньше времени.

Ответ 6

Я придерживался такого подхода:

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).

Ответ 7

Рассмотрим подход 1 с методом изменения формы и подход 2 с методом np.newaxis, которые дают тот же результат:

#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)

У нас есть результат:

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]]]]