[英]Deleting consecutive RGB values from a numpy array
最初,我從初始數組中為灰度圖像創建了一個子數組: 從numpy數組中刪除連續的數字,並刪除 numpy數組中的 以下重復項
但是現在我想對彩色圖像做同樣的事情,我真的很困惑。 我已經為它工作了好幾天,簡直無法理解如何處理它。
問題是正方形的大小不同,我希望每個正方形用相同的顏色表示一個像素。
彩色圖像:
我的灰度圖像代碼:
from PIL import Image
import numpy as np
name1 = raw_input("What is the name of the .png file you want to open? ")
filename1 = "%s.png" % name1
img = Image.open(filename1).convert('L') # convert image to 8-bit grayscale
WIDTH, HEIGHT = img.size
a = list(img.getdata()) # convert image data to a list of integers
# convert that to 2D list (list of lists of integers)
a = np.array ([a[offset:offset+WIDTH] for offset in range(0, WIDTH*HEIGHT, WIDTH)])
print " "
print "Intial array from image:" #print as array
print " "
print a
rows_mask = np.insert(np.diff(a[:, 0]).astype(np.bool), 0, True)
columns_mask = np.insert(np.diff(a[0]).astype(np.bool), 0, True)
b = a[np.ix_(rows_mask, columns_mask)]
print " "
print "Subarray from Image:" #print as array
print " "
print b
#img = Image.fromarray(b, mode='L')
print " "
print "Subarray from Image (clearer format):" #print as array
print " "
for row in b: #print as a table like format
print(' '.join('{:3}'.format(value) for value in row))
#img.save("chocolate.png")
#print np.mean(b) #finding mean
例如,此圖像:
輸入數組示例:
從a = list(img.getdata())
,這是我從圖像中獲得的輸入。
[(115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (115, 45, 135), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (245, 245, 35), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (55, 235, 195), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95), (245, 245, 95)]
使用a = np.array ([a[offset:offset+WIDTH] for offset in range(0, WIDTH*HEIGHT, WIDTH)])
的numpy輸入a = np.array ([a[offset:offset+WIDTH] for offset in range(0, WIDTH*HEIGHT, WIDTH)])
:
[[[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]]
[[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]]
[[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]]
[[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]]
[[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[115 45 135]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]
[245 245 35]]
[[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]]
[[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]]
[[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]]
[[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]]
[[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]]
[[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[ 55 235 195]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]
[245 245 95]]]
所需的輸出:
[[[115 45 135] [245 245 35]]
[ 55 235 195] [245 245 95]]]
應該這樣做:
columns_mask = np.insert(np.any(np.any(np.diff(a, axis=0).astype(np.bool), axis=1), axis=1), 0, True)
rows_mask = np.insert(np.any(np.any(np.diff(a, axis=1).astype(np.bool), axis=0), axis=1), 0, True)
print(a[np.ix_(columns_mask, rows_mask)])
輸出:
[[[115 45 135]
[245 245 35]]
[[ 55 235 195]
[245 245 95]]]
說明:
讓我們舉一個更具代表性的例子:
a = np.array([[[1, 2, 3],
[1, 2, 3],
[2, 4, 7],
[2, 4, 7],
[2, 4, 7]],
[[1, 2, 3],
[1, 2, 3],
[2, 4, 7],
[2, 4, 7],
[2, 4, 7]],
[[1, 2, 3],
[1, 2, 3],
[3, 4, 7],
[3, 4, 7],
[3, 4, 7]],
[[1, 2, 3],
[1, 2, 3],
[3, 4, 7],
[3, 4, 7],
[3, 4, 7]],
[[6, 4, 3],
[6, 4, 3],
[0, 1, 7],
[0, 1, 7],
[0, 1, 7]],
[[6, 4, 3],
[6, 4, 3],
[0, 1, 7],
[0, 1, 7],
[0, 1, 7]]])
我選擇尺寸為6x5x3,以便於跟蹤。
對於R,G和B,我們將具有以下子數組:
>>> print(a[:,:,0]) # R
[[1 1 2 2 2]
[1 1 2 2 2]
[1 1 3 3 3]
[1 1 3 3 3]
[6 6 0 0 0]
[6 6 0 0 0]]
>>> print(a[:,:,1]) # G
[[2 2 4 4 4]
[2 2 4 4 4]
[2 2 4 4 4]
[2 2 4 4 4]
[4 4 1 1 1]
[4 4 1 1 1]]
>>> print(a[:,:,2]) # B
[[3 3 7 7 7]
[3 3 7 7 7]
[3 3 7 7 7]
[3 3 7 7 7]
[3 3 7 7 7]
[3 3 7 7 7]]
請注意,在此示例中,我們有6種不同顏色的塊。 但是為了示例起見,對於某些組件,我選擇了相同的值。
預期結果將是:
# R
[[1 2]
[1 3]
[6 0]]
# G
[[2 4]
[2 4]
[4 1]]
# B
[[3 7]
[3 7]
[3 7]]
首先,我們計算diff
以定位顏色方塊之間的邊界。
對於列:
>>> print(np.diff(a, axis=0))
[[[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 0]
[ 0 0 0]
[ 1 0 0]
[ 1 0 0]
[ 1 0 0]]
[[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]]
[[ 5 2 0]
[ 5 2 0]
[-3 -3 0]
[-3 -3 0]
[-3 -3 0]]
[[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]
[ 0 0 0]]]
對於行:
>>> print(np.diff(a, axis=1))
[[[ 0 0 0]
[ 1 2 4]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 0]
[ 1 2 4]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 0]
[ 2 2 4]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 0]
[ 2 2 4]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 0]
[-6 -3 4]
[ 0 0 0]
[ 0 0 0]]
[[ 0 0 0]
[-6 -3 4]
[ 0 0 0]
[ 0 0 0]]]
仔細查看這些數字的來源。
接下來,我們使用.astype(np.bool)
將所有非零元素轉換為True
。 我們需要它來創建布爾掩碼。 有關使用布爾數組建立索引的更多信息,請參見NumPy文檔 。
對於列,我們得到:
>>> print(np.diff(a, axis=0).astype(np.bool))
[[[False False False]
[False False False]
[False False False]
[False False False]
[False False False]]
[[False False False]
[False False False]
[ True False False]
[ True False False]
[ True False False]]
[[False False False]
[False False False]
[False False False]
[False False False]
[False False False]]
[[ True True False]
[ True True False]
[ True True False]
[ True True False]
[ True True False]]
[[False False False]
[False False False]
[False False False]
[False False False]
[False False False]]]
對於行:
>>> print(np.diff(a, axis=1).astype(np.bool))
[[[False False False]
[ True True True]
[False False False]
[False False False]]
[[False False False]
[ True True True]
[False False False]
[False False False]]
[[False False False]
[ True True True]
[False False False]
[False False False]]
[[False False False]
[ True True True]
[False False False]
[False False False]]
[[False False False]
[ True True True]
[False False False]
[False False False]]
[[False False False]
[ True True True]
[False False False]
[False False False]]]
現在,我們應該在第一個數組的行之間和第二個數組的列之間應用邏輯或運算。 我們需要這樣做,以免丟失與例如R色具有相同值的連續塊。
>>> print(np.any(np.diff(a, axis=0).astype(np.bool), axis=1))
[[False False False]
[ True False False]
[False False False]
[ True True False]
[False False False]]
>>> print(np.any(np.diff(a, axis=1).astype(np.bool), axis=0))
[[False False False]
[ True True True]
[False False False]
[False False False]]
有關np.any
詳細信息,請參見以下問題: 如何對2D numpy數組的所有列進行邏輯運算 。
現在,我們對顏色執行相同的操作:
>>> print(np.any(np.any(np.diff(a, axis=0).astype(np.bool), axis=1), axis=1))
[False True False True False]
>>> print(np.any(np.any(np.diff(a, axis=1).astype(np.bool), axis=0), axis=1))
[False True False False]
最后,使用np.insert
在數組的開頭添加True
,以考慮到第一個元素:
>>> print(np.insert(np.any(np.any(np.diff(a, axis=0).astype(np.bool), axis=1), axis=1), 0, True))
[ True False True False True False]
>>> print(np.insert(np.any(np.any(np.diff(a, axis=1).astype(np.bool), axis=0), axis=1), 0, True))
[ True False True False False]
現在,將這些索引與np.ix_
以獲得所需的結果:
columns_mask = np.insert(np.any(np.any(np.diff(a, axis=0).astype(np.bool), axis=1), axis=1), 0, True)
rows_mask = np.insert(np.any(np.any(np.diff(a, axis=1).astype(np.bool), axis=0), axis=1), 0, True)
>>> print(a[np.ix_(columns_mask, rows_mask)])
[[[1 2 3]
[2 4 7]]
[[1 2 3]
[3 4 7]]
[[6 4 3]
[0 1 7]]]
就是這個!
我們可以檢查單獨的顏色是否正確:
>>> print(a[np.ix_(columns_mask, rows_mask)][:, :, 0]) # R
[[1 2]
[1 3]
[6 0]]
>>> print(a[np.ix_(columns_mask, rows_mask)][:, :, 1]) # G
[[2 4]
[2 4]
[4 1]]
>>> print(a[np.ix_(columns_mask, rows_mask)][:, :, 2]) # B
[[3 7]
[3 7]
[3 7]]
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.