假设我有一个(M,N(图像J(形状为(M,N,3((。我有一个(2,MN(矩阵K,像这样:
0 0 0 ... 0 1 1 1 ... 1 ............. M M M ... M
0 1 2 ... N 1 2 3 ... N ............. 1 2 3 ... N
现在我把上面的矩阵乘以一个2乘2的矩阵,得到一个与K大小相同的新矩阵T。
现在我想创建一个新图像,其中这个新图像中的像素(r,s(等于旧图像的像素(r,G,B(值,旧图像位于T的r*N+M列中。
如果可能的话,我想以矢量化的方式来做这件事。我不想使用for循环(我已经知道如何使用for循环来实现这一点,但速度非常慢(。事实上,我对这个问题感兴趣是因为我想以矢量化的方式应用单应性变换。
感谢您的帮助。这是一个让我想要的东西变得清晰的古怪版本:
for r in range(0,M):
for s in range(0,N):
x, y = T[:,r*N+s]
new_image[r,s] = J[x,y]
由于内部的索引布局很好,您几乎可以直接使用索引数组
import numpy as np
# set up dummy input
M,N = 300,400
J = np.random.rand(M, N, 3)
T = np.array([np.random.randint(0, M, M*N), np.random.randint(0, N, M*N)])
# original
new_image = np.empty_like(J)
for r in range(0,M):
for s in range(0,N):
x, y = T[:,r*N+s]
new_image[r,s] = J[x,y]
# vectorized new
new_image_vect = J[tuple(T)].reshape(J.shape)
检查:
>>> np.array_equal(new_image, new_image_vect)
True
上面的工作方式并不完全是琐碎的,因为高级索引是一件变化无常的事情。我上面写的相当于
J[(T[0,...], T[1,...])].reshape(J.shape) -> J[T[0,...], T[1,...]].reshape(J.shape)
现在第一部分更清楚了:取T
第一行中的每个元素,并将其用作J
的第一索引,然后取T
第二行中的相应元素,并使用其作为J
的相应第二索引。这部分在某种程度上涵盖了循环版本中的J[x,y]
。
但是,由于我们本质上是用长度为M*N
的1d个数组对数组进行索引,因此所得数组的形状也将沿其第一维度(以及大小为3的尾部维度(具有形状M*N
。因此,我们需要将结果reshape
返回到(M,N,3)
。
所有这些仅直接起作用,因为T
中的索引是根据C连续存储器顺序存储的。如果不是这样的话,我们将不得不来回transpose
我们的数组,以便生成具有正确布局的结果数组。