Numpy：跨越多通道图像

Posted 2023-02-22

【中文标题】Numpy：跨越多通道图像

【英文标题】：Numpy: Striding a multiple channel image

【发布时间】：2013-08-05 20:29:04

【问题描述】：

我在 numpy.我正在编写一些对多通道图像进行插值的代码。我将图像定义为 np.ndarray 类型的 3 维数组，形状为 [HEIGHT x WIDTH x CHANNELS]。我正在编写的 C++ 必须同时在 Matlab 和 Python 中工作。对于单通道图像，我的代码可以正常工作，而对于 Matlab 中的多通道图像，我的代码可以正常工作。

为了插值图像，我正在编写一个方法，给定一个[M x N x P] 数组，您可以提供一组X 和Y 子像素坐标以在图像中进行插值。这与 scipy 的 ndimage.map_coordinates 的功能相同。不幸的是，我需要一种在 Matlab 和 Python 中产生相同结果的插值方法，因此我推出了我自己的插值代码。

我的问题是，Matlab 通过一个接一个地堆叠连接通道来安排它的 3 维内存。这意味着，对于[10, 10, 2] 图像，第一个100 元素将是第一个通道，元素[100, 200] 将是第二个通道。因此，为了索引到 Matlab 连续内存，我索引如下：

// i is the element of the indices array
// j is the current channel
// F is the image we are indexing
// F_MAX is M * N (the number of pixels per channel)
// N_ELEMS is the total number of elements in the indices array
// f_index is the index in the contiguous array equivalent to the x and y coordinate in the 2D image
for (size_t j = 0; j < N_CHANNELS; j++)

  out[i + j * N_ELEMS] = F[f_index + j * F_MAX];

我的问题是 numpy 沿第 3 轴排序它的 3 维数组。也就是说，给定一个[10, 10, 2] 数组，前两个元素是索引[0, 0, 0] 和[0, 0, 1]。在 Matlab 中，它们是索引 [0, 0, 0] 和 [0, 1, 0]。

我想我可以通过在 numpy 中使用 stride 来纠正我的问题。但是，我完全没有想出合适的步幅模式。 因此，对于我的 [10, 10, 2] 数组示例，我该如何更改步幅，从（假设双打）：

>>> np.ones([10,10,2], dtype=np.float64).strides
(160, 16, 8)

我可以像对 Matlab 数组那样索引的东西？

我应该提到我知道 Matlab 和 numpy 之间的列主要/行主要区别。如前所述，我的方法适用于单通道图像，但超过 1 个通道的索引错误。

【参考方案1】：

也许您可以使用函数np.swapaxes，如下面的 ipython 示例：

In [1]: a = np.arange(2*2*2).reshape((2,2,2))

In [2]: a
Out[2]: 
array([[[0, 1],
        [2, 3]],

       [[4, 5],
        [6, 7]]])

In [3]: a.flatten()
Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7])

In [4]: np.swapaxes(a,2,1).flatten()
Out[4]: array([0, 2, 1, 3, 4, 6, 5, 7])

编辑：

我认为只有在您使用交换轴获取数组副本后，内部内存布局才会发生变化，请参阅：

In [6]: b = a.swapaxes(1,2)

In [7]: b.strides
Out[7]: (16, 4, 8)

In [8]: b = a.swapaxes(1,2).copy()

In [9]: b.strides
Out[9]: (16, 8, 4)

【讨论】：

很好，当然改变轴确实如你所展示的那样。不幸的是，我仍然无法完全纠正我的问题，因此求助于改变每个平台上的索引模式的宏。

【参考方案2】：

您可以在创建数组时指定 Fortran 排序：

>>> a = np.ones((10,10,2),dtype=np.float64)
>>> a.strides
(160, 16, 8)
>>> b = np.ones((10,10,2),dtype=np.float64,order='f')
>>> b.strides
(8, 80, 800)

【讨论】：

如果数组已经创建，可以使用np.asfortranarray。但是，这确实会复制数据-