如何从 3-D Numpy 数组创建 2-D 数组？答案

【问题标题】：How to create 2-D array from 3-D Numpy array?如何从 3-D Numpy 数组创建 2-D 数组？
【发布时间】：2017-02-15 05:22:01
【问题描述】：

我有一个对应于 RGB 图像的 3 维 Numpy 数组。我需要从中创建一个二维 Numpy 数组，这样如果 R、G 或 B 通道中的任何像素为 1，则二维数组中的相应像素为 255。

我知道如何在 Numpy 数组上使用列表推导之类的东西，但结果与原始数组的形状相同。我需要新的形状是二维的。

【问题讨论】：

标签： python-3.x numpy

【解决方案1】：

好的，假设您希望输出像素为 0，而不应为 255，并且您的输入为 MxNx3。

RGB = RGB == 1 # you can skip this if your original (RGB) contains only 0's and 1's anyway
out = np.where(np.logical_or.reduce(RGB, axis=-1), 255, 0)

【讨论】：

【解决方案2】：

一种方法是在第三个暗淡处使用any()，然后乘以255，这样布尔值就会自动放大为int类型，就像这样-

(img==1).any(axis=2)*255

示例运行 -

In [19]: img
Out[19]: 
array([[[1, 8, 1],
        [2, 4, 7]],

       [[4, 0, 6],
        [4, 3, 1]]])

In [20]: (img==1).any(axis=2)*255
Out[20]: 
array([[255,   0],
       [  0, 255]])

运行时测试-

In [45]: img = np.random.randint(0,5,(1024,1024,3))

# @Paul Panzer's soln
In [46]: %timeit np.where(np.logical_or.reduce(img==1, axis=-1), 255, 0)
10 loops, best of 3: 22.3 ms per loop

# @nanoix9's soln    
In [47]: %timeit np.apply_along_axis(lambda a: 255 if 1 in a else 0, 0, img)
10 loops, best of 3: 40.1 ms per loop

# Posted soln here    
In [48]: %timeit (img==1).any(axis=2)*255
10 loops, best of 3: 19.1 ms per loop

此外，我们可以转换为np.uint8，然后将其与255 相乘以进一步提升性能 -

In [49]: %timeit (img==1).any(axis=2).astype(np.uint8)*255
100 loops, best of 3: 18.5 ms per loop

还有更多，如果我们沿第三个暗角处理单个切片 -

In [68]: %timeit ((img[...,0]==1) | (img[...,1]==1) | (img[...,2]==1))*255
100 loops, best of 3: 7.3 ms per loop

In [69]: %timeit ((img[...,0]==1) | (img[...,1]==1) | (img[...,2]==1)).astype(np.uint8)*255
100 loops, best of 3: 5.96 ms per loop

【讨论】：

【解决方案3】：

使用apply_along_axis。例如

In [28]: import numpy as np
In [29]: np.random.seed(10)
In [30]: img = np.random.randint(2, size=12).reshape(3, 2, 2)
In [31]: img
Out[31]: 
array([[[1, 1],
        [0, 1]],
       [[0, 1],
        [1, 0]],
       [[1, 1],
        [0, 1]]])
In [32]: np.apply_along_axis(lambda a: 255 if 1 in a else 0, 0, img)
Out[32]: 
array([[255, 255],
       [255, 255]])

详情请参阅doc of numpy。

【讨论】：