Come posso aggiungere nuove dimensioni a un array Numpy?

Sto iniziando con una serie numpy di un'immagine.

In[1]:img = cv2.imread('test.jpg')

La forma è quella che ci si potrebbe aspettare da un'immagine RGB 640x480.

In[2]:img.shape
Out[2]: (480, 640, 3)

Tuttavia, questa immagine che ho è un fotogramma di un video, che è lungo 100 fotogrammi. Idealmente, vorrei avere un unico array che contenga tutti i dati di questo video in modo tale che img.shaperitorni (480, 640, 3, 100).

Qual è il modo migliore per aggiungere il fotogramma successivo, ovvero il set successivo di dati immagine, un altro array 480 x 640 x 3, al mio array iniziale?

Stai chiedendo come aggiungere una dimensione a un array NumPy, in modo che quella dimensione possa essere ingrandita per accogliere nuovi dati. È possibile aggiungere una dimensione come segue:

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

In alternativa a

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

nella risposta di @dbliss , puoi anche usare mi numpy.expand_dimspiace

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

Ad esempio (tratto dal link sopra):

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

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

Poi

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

rendimenti

array([[1, 2]])

e

y.shape

dà

(1, 2)

Potresti semplicemente creare un array della dimensione corretta in primo piano e riempirlo:

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

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

se i frame fossero singoli file jpg a cui è stato assegnato un nome in un modo particolare (nell'esempio frame_0.jpg, frame_1.jpg, ecc.).

Solo una nota, potresti prendere in considerazione l'utilizzo di un (nframes, 480,640,3)array sagomato, invece.

Divinatorio

X = X[:, :, None]

che è equivalente a

X = X[:, :, numpy.newaxis] e X = numpy.expand_dims(X, axis=-1)

Ma poiché stai chiedendo esplicitamente di impilare le immagini, ti consiglio di impilare le listimmagini np.stack([X1, X2, X3])che potresti aver raccolto in un ciclo.

Se non ti piace l'ordine delle dimensioni puoi riorganizzarlo np.transpose()

Puoi usare np.concatenate()specificando quale axisaggiungere, usando np.newaxis:

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

Se stai leggendo da molti file:

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

Non esiste una struttura in numpy che ti consenta di aggiungere più dati in un secondo momento.

Invece, numpy mette tutti i tuoi dati in un blocco contiguo di numeri (fondamentalmente; un array C) e qualsiasi ridimensionamento richiede l'allocazione di un nuovo blocco di memoria per conservarlo. La velocità di Numpy deriva dalla capacità di mantenere tutti i dati in un array numpy nello stesso blocco di memoria; ad esempio, le operazioni matematiche possono essere parallelizzate per la velocità e si ottengono meno errori nella cache .

Quindi avrai due tipi di soluzioni:

1. Pre-alloca la memoria per l'array numpy e inserisci i valori, come nella risposta di JoshAdel, o
2. Mantieni i tuoi dati in un normale elenco Python fino a quando non è effettivamente necessario metterli tutti insieme (vedi sotto)

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

Si noti che non è necessario espandere prima le dimensioni dei singoli array di immagini, né è necessario sapere quante immagini ci si aspetta in anticipo.

Considera l'approccio 1 con il metodo reshape e l'approccio 2 con il metodo np.newaxis che producono lo stesso risultato:

#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)

Abbiamo come risultato:

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]]]]

Ho seguito questo approccio:

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).