主页 / user-27958463

KyroAsks's questions

Martin Hope
KyroAsks
Asked: 2024-11-02 08:05:09 +0800 CST
  • 9

给定一个数组 A、错误的行索引和错误的列索引，是否可以使用切片来创建一个没有这些行或列的新数组？

可以使用 np.delete 完成如下操作：

import numpy as np
A=np.random.rand(20,16)
bad_col=np.arange(0,A.shape[1],4)[1:]
bad_row=np.arange(0,A.shape[0],4)[1:]
Anew=np.delete(np.delete(A,bad_row,0),bad_col,1)
print('old shape ',A.shape)
print('new shape ',Anew.shape)

我还知道可以使用切片从数组中选择某些列和行。但我想知道它是否可以用于排除某些列和行？如果不行，除了np.delete这样做之外最好的方法是什么。

编辑：根据评论，可能无法使用切片。使用高级索引创建新数组怎么样？

可以使用以下代码完成，但速度很慢，需要寻找更快的替代方案：

good_col = [i for i in range(A.shape[1]) if i==0 or i % 4 != 0]
good_row=[ i for i in range(A.shape[0]) if i==0 or i % 4 != 0]

Anew2=A[good_row,:][:,good_col]
print('new shape ',Anew2.shape)

谢谢

python
Martin Hope
KyroAsks
Asked: 2024-10-29 10:58:04 +0800 CST
  • 5

给定一个大小为 (W,H) 的二维数组，例如 (3,4)。您可以将该二维数组中的每个点视为矩形面片的一个角。我想将该数组分成各个面片，如下面的示例所示。这种划分的顺序是逐行进行的，对于每个面片，我们从左上角的像素开始逆时针移动。这意味着面片 1 是 [A[0,0],A[1,0],A[1,1],A[0,1]]。然后面片 2 是 [A[0,1],A[1,1],A[1,2],A[0,2]]。面片的数量为 (w-1) (h-1)，最终输出是另一个大小为 ((w-1) (h-1),4) 的二维数组（例如此处为 (6,4)），其中 6 是面片的数量，4 是面片角的数组值，如上所述，以逆时针方式排列。

现在我的问题是关于仅使用简单的 python 函数和 numpy 在 python 中生成这些补丁的最有效方法。

太感谢了。

我可以编写一个双 for 循环来完成下面的工作，但我想知道是否有更好的算法可以提供更快的性能：

import numpy as np
A=np.array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
H=A.shape[0]
W=A.shape[1]
patches=[]
for y in range(H-1):
    for x in range(W-1):
       patches.append([A[0+y,0+x],A[1+y,0+x],A[1+y,1+x],A[0+y,1+x]])


patches =np.array(patches)
print(patches)
python
Martin Hope
KyroAsks
Asked: 2024-10-24 13:50:30 +0800 CST
  • 7

给定一个大小为 (N,W,H,3) 的 4D 数组，其中 N 是补丁数，W、H 是图像补丁的宽度和高度，3 是颜色通道数。假设这些补丁是通过获取原始图像 I 并将其分成小方块生成的。这种划分的顺序是逐行进行的。因此，如果我们将图像分成 3x3 个补丁（总共 9 个），每个补丁为 10x10 像素，则 4D 数组将为 (9,10,10,3)，其中元素的顺序将为 [patch11,patch12,patch13,patch21,patch22,patch23,patch31,patch32,patch33]。

现在我的问题是关于最有效的方法将这些补丁组合回来以仅使用简单的 python 函数和 numpy（没有 PIL 或 OpenCV）在 python 中生成原始图像。

太感谢了。

我可以编写一个双 for 循环来完成下面的工作，但我想知道是否有更好的算法可以提供更快的性能：

import numpy as np

def reconstruct_image(patches, num_rows, num_cols):
    # num_rows and num_cols are the number of patches in the rows and columns respectively
    patch_height, patch_width, channels = patches.shape[1], patches.shape[2], patches.shape[3]

    # Initialize the empty array for the full image
    full_image = np.zeros((num_rows * patch_height, num_cols * patch_width, channels), dtype=patches.dtype)

    # Iterate over the rows and columns of patches
    for i in range(num_rows):
        for j in range(num_cols):
            # Get the index of the current patch in the 4D array
            patch_index = i * num_cols + j
            # Place the patch in the appropriate position in the full image
            full_image[i*patch_height:(i+1)*patch_height, j*patch_width:(j+1)*patch_width, :] = patches[patch_index]

    return full_image

N = 9  # Number of patches
W, H, C = 10, 10, 3  # Patch dimensions (WxHxC)
num_rows, num_cols = 3, 3  # Number of patches in rows and columns (3x3 patches)
patches = np.random.rand(N, W, H, C)  # Example patch data

reconstructed_image = reconstruct_image(patches, num_rows, num_cols)
python