常规与使用 For 循环时的 Numpy 数组乘法差异

3回答

阿晨1998

图像不同，因为前一个图像包含浮点数据，而后一个图像的数据类型是uint8.imgc = (imgc * yellow_image)由于的数据类型是浮点数，该指令生成一个带有浮点数数据的新数组yellow_image。创建一个yellow_imagewith 数据类型uint8来解决问题：yellow_image = np.ones(img_paris.shape, dtype=np.uint8) * 255  yellow_image[:,:,0] *= 0 imgc *= yellow_image或者使用numpy.ndarray.astyp创建数组的副本并转换为uint8：imgc = (imgc * yellow_image)imgc = (imgc * yellow_image).astype(np.uint8)或使用numpy.multiply, 通过指定转换规则和类型：imgc = np.multiply(imgc, yellow_image, casting='unsafe', dtype=np.uint8)

0 0

噜噜哒

这两种技术应该会产生相似的结果。为什么图像在 for 循环技术中会倒转？因为你应该这样做，转换数据类型：imgc = np.uint64(img_paris.copy()) # <-- convert datatypefor x in range(yellow_image.shape[0]):    for y in range(yellow_image.shape[1]):        imgc[x,y] = (imgc[x,y] * yellow_image[x,y])解释部分 1 (dtype)这是因为dtype在重新分配完整矩阵时会发生变化，而在重新分配切片时不会发生：a = np.array([[1]], np.uint8)b = np.array([[1]], np.float64)a[0] = a[0] * b[0] # assigning slices dtype of a does not changeprint(a.dtype) #=> uint8a = a * b # while assigning the full matrix it doesprint(a.dtype) #=> float64如果您dtype一路打印，您会看到：yellow_image_1 = np.ones(img_paris.shape) * 255print(yellow_image_1.dtype) #=> float64yellow_image_1[:,:,0] *= 0print(yellow_image_1.dtype) #=> float64imgc_1 = img_paris.copy()print(imgc_1.dtype) #=> uint8imgc_1 = (imgc_1 * yellow_image_1)print(imgc_1.dtype) #=> float64和这个：yellow_image_2 = np.ones(img_paris.shape) * 255print(yellow_image_2.dtype)  #=> float64yellow_image_2[:,:,0] *= 0print(yellow_image_2.dtype) #=> float64imgc_2 = img_paris.copy()print(imgc_2.dtype) #=> uint8for x in range(yellow_image_2.shape[0]):    for y in range(yellow_image_2.shape[1]):        imgc_2[x,y] = (imgc_2[x,y] * yellow_image_2[x,y])print(imgc_2.dtype) #=> uint8所以你最终会得到不同的dtype矩阵。解释部分 2 (OpenCV BGR)如前所述，请记住 OpenCv 使用BGR 格式并且每个像素值从到0，255说np.uint8。因此，如果您使用的是 matplotlib，为了显示图像，您必须交换 B 和 R 通道：img_paris = cv2.imread('3ClnT.jpg')plt.imshow(img_paris[:,:,::-1])如果您使用cv2.imwrite()或cv2imshow()保存，则不需要这样做，例如：cv2.imwrite('paris.jpg', img_paris)也就是说，您可以使用这个线性命令生成纯黄色图像：yellow_image = np.ones_like(img_paris) * (0, 255, 255)并显示或保存它：plt.imshow(yellow_image[:,:,::-1])cv2.imwrite('solid_yellow.jpg', yellow_image)现在，乘法结果的paris_yellow = img_paris * yellow_image值大于255：[0..1]使用 RGB 数据（对于浮点数或[0..255]整数）将输入数据剪切到 imshow 的有效范围。所以，当你相乘时，你最终得到的最大像素值可以是255 * 255 = 65025.然后你需要：将乘法项转换为支持整数的数据类型65025乘法后，归一化然后转换回uint8这是一个例子：paris_yellow_2 = np.int64(img_paris) * np.int64(yellow_image) # <- use int64 termsmax_px_val = np.amax(paris_yellow_2) # <-- Max pixel alueparis_yellow_2 = np.uint8((paris_yellow_2/max_px_val) * 255) # <- normalize and convert back to uint8plt.imshow(paris_yellow_2[:,:,::-1])这是结果：给出不同结果的其他选项G是将和通道相乘以获得大于crop 值的R系数。在这种情况下，您需要使用 float ：1>255dtypeparis_yellow_3 = np.float64(img_paris) * (1, 3, 3)paris_yellow_3[paris_yellow_3 > 255] = 255 # <- crops to 255 pixels values > 255paris_yellow_3 = paris_yellow_3.astype(np.uint8) # <- back to uint8在这种情况下B，乘以1（不变），G并R乘以3，得到以下结果：

0 0

烙印99

问题出现在一个完全出乎意料的地方：在创建yellow_image. np.ones默认情况下创建一个浮点类型的数组：因此yellow_image是用浮点类型元素创建的。查看：>>> yellow_image.dtypedtype('float64')因此，当您执行以下操作时：imgc * yellow_image，生成的数组数据类型将提升为精度更高的数据类型（当然是浮点类型），因此imgc具有如下元素：array([[[    0., 24225., 12750.],        [    0., 23715., 12240.],        [    0., 23460., 11985.],        ...,是浮点型的。为避免此问题，并且不经历显式编写数据类型的麻烦，请使用：yellow_image = np.ones_like(img_paris) * 255np.ones_like创建一个数组，其中包含传递给它的数组的形状，以及完全相同的 dtype - 消除您的后顾之忧。现在检查：>>> yellow_image.dtypedtype('uint8')现在考虑imgc1 = imgc * yellow_image和imgc2是循环的输出。查看：>>> np.allclose(imgc1, imgc2)True问题解决了。注意- 回答关于为什么图像倒置的问题：当乘法结果为浮点类型时，它会将大数字（24225、12750 等）作为像素颜色值。当您使用此数组写入图像时，所有这些数字都被裁剪为最大可能的像素颜色值：255。因此，您看到的大部分图像都是黄色的，因为所有“溢出”值都被裁剪为 255，导致最亮的黄色阴影。另一方面，当乘法完成强制uint8类型时，任何大于 255 的值都会“回滚”到无符号 8 位整数的最小可能值：0。因此，如果值为 487，dtype 限制将强迫它成为0 + (287 - 255) - 1 = 31。这是溢出。所以很大的数字最终会变得很小——数学很简单，查一下。因此，您会得到一种倒置的图像（意外的暗像素）。

0 0