文章接上篇：
In [53]:
from PIL import Image
In [60]:
dog = Image.open('./dog.jpg')
dog
. . .
In [61]:
dog_data=np.array(dog)
# 图片数据是ndarray
# 彩色照片三维：高度，宽度，像素（表示不同颜色），红绿蓝三原色
dog_data
. . .
In [62]:
# 行，列，像素
dog_data.shape
Out[62]:
(1197, 1200, 3)
In [63]:
# uint8:无负号，0~255
dog_data.dtype
Out[63]:
dtype('uint8')
In [64]:
dog_data.max()
Out[64]:
255
In [67]:
dog2=dog_data[:,:,::-1]
dog2
解释一下：
`dog2=dog_data[:,:,::-1]` 是一个 NumPy 数组切片的操作，用于颜色通道的反转。这种操作通常用于图像处理，其中 `dog_data` 是一个三维的 NumPy 数组，表示一张彩色图像。
`[:,:,::-1]` 表示对数组的最后一个维度（颜色通道）进行切片，步长为 `-1`，即反向切片。
对于彩色图像，通常最后一个维度包含红、绿、蓝（RGB）三个颜色通道。
通过 `[::-1]` 操作，将颜色通道的顺序反转为蓝、绿、红（BGR）。
In [68]:
Image.fromarray(dog2)
Out[68]:
In [71]:
dog_data[::5, ::5]对数组进行切片，步长为 5，即每隔5个像素取一个值。- 这种操作实际上对图像进行了降采样，将图像的分辨率降低，使图像中的元素更稀疏。
Image.fromarray(dog_data[::5,::5])
简单理解：把图缩小点
Out[71]:
In [73]:
# 红绿蓝 0，1，2
# 绿红蓝 1，0，2
Image.fromarray(dog_data[:,:,[1,0,2]])
dog_data[:,:,[1,0,2]] 表示对数组的最后一个维度进行切片，其中 [1,0,2] 指定了新的颜色通道的顺序。这里的意思是将原本的颜色通道顺序（红、绿、蓝）改为新的顺序（绿、红、蓝）。
Out[73]:
改过后，小狗有点“绿”
In [75]:
Image.fromarray(dog_data[:,:,0])
Out[75]:
变成了灰度图像
In [76]:
import matplotlib.pyplot as plt
In [77]:
plt.imshow(dog_data)
Out[77]:
<matplotlib.image.AxesImage at 0x21f4d592210>
In [79]:
plt.imshow(dog_data[::-1])
Out[79]:
<matplotlib.image.AxesImage at 0x21f4db0d290>
In [83]:
plt.imshow(dog_data[::15,::15])
Out[83]:
<matplotlib.image.AxesImage at 0x21f4eaef490>
变形
使用reshape函数，注意参数是一个tuple
In [84]:
nd2
Out[84]:
array([[ 26, 85, 41, 21, 49],
[ 27, 2, 51, 55, 34],
[133, 78, 63, 52, 135],
[ 26, 56, 77, 51, 13]])
In [85]:
nd2.reshape(2,10)
Out[85]:
array([[ 26, 85, 41, 21, 49, 27, 2, 51, 55, 34],
[133, 78, 63, 52, 135, 26, 56, 77, 51, 13]])
In [87]:
dog_data.shape
Out[87]:
(1197, 1200, 3)
In [89]:
dog5=dog_data.reshape(1200,1197,3)
plt.imshow(dog5)
Out[89]:
<matplotlib.image.AxesImage at 0x21f4eb3dd90>
“小狗扭曲了”
In [90]:
# 高度0 宽度1 像素2
# 转置，行和列调整
dog6=np.transpose(dog_data,axes=(1,0,2))plt.imshow(dog6)
Out[90]:
<matplotlib.image.AxesImage at 0x21f4ef75d10>
级联
1.np.concatenate() 级联需要注意的点： 2.级联的参数是列表：一定要加中括号或小括号 3.维度必须相同 4.形状相符 5.【重点】级联的方向默认是shape这个tuple的第一个值所代表的维度方向 6.可通过axis参数改变级联的方向
In [91]:
nd2
Out[91]:
array([[ 26, 85, 41, 21, 49],
[ 27, 2, 51, 55, 34],
[133, 78, 63, 52, 135],
[ 26, 56, 77, 51, 13]])
In [92]:
np.concatenate([nd2,nd2])
Out[92]:
array([[ 26, 85, 41, 21, 49],
[ 27, 2, 51, 55, 34],
[133, 78, 63, 52, 135],
[ 26, 56, 77, 51, 13],
[ 26, 85, 41, 21, 49],
[ 27, 2, 51, 55, 34],
[133, 78, 63, 52, 135],
[ 26, 56, 77, 51, 13]])
In [93]:
plt.imshow(dog_data)
Out[93]:
<matplotlib.image.AxesImage at 0x21f4edb8dd0>
In [98]:
dog7=dog_data[:,:400]
plt.imshow(dog7)
切片左边：
Out[98]:
<matplotlib.image.AxesImage at 0x21f4f00dd90>
In [99]:
dog8=dog_data[:,600:,::-1]
plt.imshow(dog8)
切片右边，再换个色
Out[99]:
<matplotlib.image.AxesImage at 0x21f4f0eb410>
In [100]:
print(dog7.shape,dog8.shape)
(1197, 400, 3) (1197, 600, 3)
In [102]:
display(dog7.shape,dog8.shape)
(1197, 400, 3)(1197, 600, 3)
In [103]:
# 高度0 宽度1 像素2
dog9=np.concatenate([dog7,dog8],axis=1) plt.imshow(dog9)
拼接一下：
Out[103]:
<matplotlib.image.AxesImage at 0x21f4f11dd90>
2.np.hstack与np.vstack 水平级联与垂直级联，处理自己，进行维度的变更
In [2]:
nd1=np.random.randint(0,150,size=(4,5))
In [3]:
nd2=np.random.randint(0,150,size=(2,5))
In [5]:
nd3=np.random.randint(0,150,size=(4,8))
In [6]:
display(nd1,nd2,nd3)
array([[123, 24, 86, 12, 89], [ 44, 13, 68, 97, 30], [ 35, 136, 40, 14, 2], [ 26, 141, 120, 12, 19]])array([[133, 28, 1, 87, 139], [109, 34, 20, 44, 33]])array([[111, 74, 126, 97, 27, 102, 54, 82], [ 23, 83, 81, 131, 87, 120, 78, 32], [ 49, 97, 0, 89, 63, 21, 122, 47], [144, 111, 100, 98, 129, 18, 147, 88]])
In [7]:
np.concatenate([nd1,nd3],axis=1)
#列
. . .
In [9]:
#horizontal 水平的，列数增加
np.hstack((nd1,nd3))
. . .
In [4]:
#vertical 竖直方向，行数增多
nd4=np.vstack((nd1,nd2))
切片
与级联类似，三个函数完成切片工作：
np.split
np.vsplit
np.hsplit
In [6]:
nd4.shape
Out[6]:
(6, 5)
In [7]:
np.split(nd4,3)
Out[7]:
[array([[ 64, 136, 106, 76, 137],
[ 26, 5, 29, 90, 25]]),
array([[136, 81, 124, 90, 19],
[106, 24, 89, 50, 33]]),
array([[148, 125, 94, 22, 46],
[ 5, 60, 56, 45, 40]])]
In [9]:
np.split(nd4,[1,3])
Out[9]:
[array([[ 64, 136, 106, 76, 137]]),
array([[ 26, 5, 29, 90, 25],
[136, 81, 124, 90, 19]]),
array([[106, 24, 89, 50, 33],
[148, 125, 94, 22, 46],
[ 5, 60, 56, 45, 40]])]
In [10]:
np.vsplit(nd4,2)
Out[10]:
[array([[ 64, 136, 106, 76, 137],
[ 26, 5, 29, 90, 25],
[136, 81, 124, 90, 19]]),
array([[106, 24, 89, 50, 33],
[148, 125, 94, 22, 46],
[ 5, 60, 56, 45, 40]])]
In [16]:
np.hsplit(nd4,[2])
Out[16]:
[array([[ 64, 136],
[ 26, 5],
[136, 81],
[106, 24],
[148, 125],
[ 5, 60]]),
array([[106, 76, 137],
[ 29, 90, 25],
[124, 90, 19],
[ 89, 50, 33],
[ 94, 22, 46],
[ 56, 45, 40]])]
