我从一个图像的 numpy 数组开始。
In[1]:img = cv2.imread('test.jpg')
形状是 640x480 RGB 图像的预期形状。
In[2]:img.shape
Out[2]: (480, 640, 3)
但是，我拥有的这张图片是一帧视频，长度为 100 帧。理想情况下，我希望有一个包含此视频中所有数据的数组，这样img.shape 返回(480, 640, 3, 100)。
将下一帧（即下一组图像数据，另一个 480 x 640 x 3 阵列）添加到我的初始阵列的最佳方法是什么？
【问题讨论】：
标签： python arrays opencv numpy
您可以预先创建一个正确大小的数组并填充它：
frames = np.empty((480, 640, 3, 100))
for k in xrange(nframes):
frames[:,:,:,k] = cv2.imread('frame_{}.jpg'.format(k))
如果帧是以某种特定方式命名的单个 jpg 文件（在示例中为 frame_0.jpg、frame_1.jpg 等）。
请注意，您可以考虑改用(nframes, 480,640,3) 形状的数组。
【讨论】：
您可以使用np.concatenate() 指定要附加的axis，使用np.newaxis：
import numpy as np
movie = np.concatenate((img1[:,np.newaxis], img2[:,np.newaxis]), axis=3)
如果您正在读取多个文件：
import glob
movie = np.concatenate([cv2.imread(p)[:,np.newaxis] for p in glob.glob('*.jpg')], axis=3)
【讨论】：
您正在询问如何向 NumPy 数组添加维度，以便可以扩展该维度以容纳新数据。可以按如下方式添加维度：
image = image[..., np.newaxis]
【讨论】：
numpy.newaxis 被定义为 None（在文件 numeric.py 中），因此您可以使用 `image = image[..., None]。
None。使用np.newaxis，因为显式优于隐式。
None 没有任何暗示。这是明确的。它是None。说清楚了。None is 在 python 中是一个 thing。毫无疑问。 None 是最后一个细节，你不能再深入了。另一方面，numpy.newaxis 暗示 None。它本质上是None。它是None。但隐含的是None。它是None，但不直接表示为None。 显式 清楚而详细地说明，没有混淆或怀疑的余地。 隐式 建议但未直接表达。我必须补充一点，从 API 的角度来看，使用numpy.newaxis 更安全。
n维度的方法：a[(..., *([np.newaxis] * n))]。构造tuple 的括号是解包n 乘以np.newaxis 的list 所必需的
我遵循了这种方法：
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).
【讨论】：
替代
image = image[..., np.newaxis]
在@dbliss' answer，也可以用numpy.expand_dims点赞
image = np.expand_dims(image, <your desired dimension>)
例如（取自上面的链接）：
x = np.array([1, 2])
print(x.shape) # prints (2,)
然后
y = np.expand_dims(x, axis=0)
产量
array([[1, 2]])
和
y.shape
给予
(1, 2)
【讨论】：
y[1,0] 它会给出索引越界错误。 y[0,1] 可访问
numpy 中没有允许您稍后附加更多数据的结构。
相反，numpy 将所有数据放入一个连续的数字块中（基本上是一个 C 数组），并且任何调整大小都需要分配一个新的内存块来保存它。 Numpy 的速度来自于能够将 numpy 数组中的所有数据保存在同一块内存中；例如数学运算可以是parallelized for speed，你得到的更少cache misses。
所以你会有两种解决方案：
images = []
for i in range(100):
new_image = # pull image from somewhere
images.append(new_image)
images = np.stack(images, axis=3)
请注意，无需先扩展单个图像数组的维度，也无需提前知道预期的图像数量。
【讨论】：
考虑使用 reshape 方法的方法 1 和使用 np.newaxis 方法的方法 2，它们会产生相同的结果：
#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)
结果如下：
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]]]]
【讨论】：
Python 风格
X = X[:, :, None]
相当于
X = X[:, :, numpy.newaxis] 和
X = numpy.expand_dims(X, axis=-1)
但是当您明确询问堆叠图像时，
我建议您将您可能在循环中收集的图像np.stack([X1, X2, X3]) 中的list 堆叠起来。
如果您不喜欢尺寸的顺序，可以使用np.transpose()重新排列
【讨论】：
这对我有用：
image = image[..., None]
【讨论】：