100x100 python 背面图像的分解和收集答案

【问题标题】：The decomposition and collection of back images to pieces 100x100 python100x100 python 背面图像的分解和收集
【发布时间】：2018-05-20 03:29:28
【问题描述】：

我有图像数组，我需要将其分解为 100x100 的碎片，并在对其进行操作后收集回原始图像。问题：我无法收集碎片，我有这样的东西，

但真实图像是 800x800

我的代码：

将img作为数组，去掉第三维

path_to_image = './la3.jpg'
image_array = plt.imread(path_to_image)
image_array = image_array[:, :, 0]

写入 100x100 的新数组片段（工作正常）：

main2_array = np.zeros(10000,)
for row in tqdm_notebook(range(0,8)):

    for col in range(0,8):
        main2_array = np.vstack((main2_array, image_array[0 + (100*row):100 + (100*row) ,0 + (100*col):100 + (100*col)].flatten()))

main2_array = np.delete(main2_array, main2_array[0] , axis=0  )

收集碎片（它不工作）

main_array = np.zeros(100,)

for p in tqdm_notebook(range(0,100)):
    for i in range(0,64):
        main_array = np.vstack((main_array, main2_array[0 + (10000*i) + (100*p): 100 + (10000*i) + (100*p)]))

main_array = np.delete(main_array, main_array[0] , axis=0  )

收集碎片后我得到

【问题讨论】：

什么是tqdm_notebook？
tqdm_notebook 是查看进程状态的工具，例如下载行。 tqdm.github.io
为什么要创建一维零数组，向其中添加行然后删除原始的一维零数组？
您的 收集碎片 代码会产生 ValueError。请提供minimal reproducible example。

标签： python arrays image numpy

【解决方案1】：

假图片

x, y = 800,800
img_array = np.arange(x*y).reshape((x,y))

解构后，main2_array.shape 为 (64,10000)；每行都是一个扁平的 100x100 补丁。在解构过程中，您遍历图像从左到右、从上到下，并将每个补丁滑到前一个补丁下方。

重构逆向过程：

main_array = np.zeros((x,y))
for n, patch in enumerate(main2_array):
    patch = patch.reshape(100,100)
    # eight patches per row
    row, col = divmod(n, 8)
    row_offset, col_offset = row*100, col*100
    row_slice = slice(row_offset, 100 + row_offset)
    col_slice = slice(col_offset, 100 + col_offset)
    #print(np.all(patch == image_array[row_slice,col_slice]))
    main_array[row_slice, col_slice] = patch


>>> np.all(main_array == img_array)
True
>>>

或者你可以重塑你的方式回到原来的方式

>>> b = main2_array.reshape(8,8,100,100)
>>> b[0,1].shape    # row zero column 1? 
(100, 100)
>>> np.all(b[0,1] == a[0:100, 100:200])
True
>>> 
>>> c = np.swapaxes(b, 1,2)
>>> c.shape
(8, 100, 8, 100)
>>> np.all(c[0,:,1,:] == a[0:100, 100:200])    # row zero column 1? 
True
>>> d = c.reshape(800,800)
>>> np.all(d==img_array)
True
>>>

【讨论】：

【解决方案2】：

有点晚了，但我相信这个问题应该得到一个更形象的答案。

您不需要缓慢的循环，您可以通过numpy 重塑和精美的索引来完成所有这些工作。

让我们从示例图像开始

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt  
import skimage.transform
import skimage.data

img = skimage.data.chelsea()
# crop from (300, 451, 3) to (300, 300, 3)
img = img[:,80:380,:]
# resize to (800, 800)
img = skimage.transform.resize(img, (800,800))
plt.imshow(img)

在64 100*100 瓦片中分解图像。新形状是(8, 100, 8, 100, 3)，您可以使用img[i, :, j, :, ...] 处理单个图像。无需将它们存储在新数组中，除非是为了便于阅读。

img = img.reshape(8, 100, 8, 100, 3)
gs = mpl.gridspec.GridSpec(8,8)
for i in range(8):
    for j in range(8):
        ax = plt.subplot(gs[i,j])
        ax.imshow(img[i,:,j,:,...])

现在让我们对图块进行一些操作。

清除一些随机图块

cells = np.random.randint(8, size=(20,2))
img[cells[:,0],:,cells[:,1],...] = 1

上下翻转并从左到右

img = img[:,::-1,:,::-1,...]

添加黑色边框

img[:,:6,...] = 0
img[:,-6:,...] = 0
img[:,:,:,:6,...] = 0
img[:,:,:,-6:,...] = 0

并绘制它们

for i in range(8):
    for j in range(8):
        ax = plt.subplot(gs[i,j])
        ax.imshow(img[i,:,j,:,...])

现在要重建，你可以重新塑造成原来的形状

img = img.reshape(800, 800, 3)
plt.imshow(img)

【讨论】：