计算机视觉2：NumPy模块函数学习

NumPy是一个运行速度非常快的数学库，主要用于数组计算，包含一个强大的N维数组对象 ndarray、广播功能函数、整合 C/C++/Fortran代码的工具和线性代数、傅里叶变换、随机数生成等功能。

将NumPy包引入，没有的话需要先安装。

import numpy as np

一、ndarray对象

NumPy最重要的一个特点是其N维数组对象ndarray，它是一系列同类型数据的集合，以0下标为开始进行集合中元素的索引。ndarray对象是用于存放同类型元素的多维数组。ndarray中的每个元素在内存中都有相同存储大小的区域。

ndarray内部组成部分：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针。

• 数据类型或 dtype，描述在数组中固定大小值的格子。

• 一个表示数组形状（shape）的元组，表示各维度大小的元组。

• 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要“跨过”的字节数。

创建ndarray只需要用NumPy的array函数即可：

np.array(object, dtype = None, copy = Ture, order = None, subok = False, ndmin = 0)

• object表示数组或嵌套的数列；
• dtype表示数组元素的数据类型；
• copy表示对象是否需要复制；
• order表示创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）；
• subok表示默认返回一个与基类类型一致的数组；
• ndmin指定生成数组的最小维度。

例如：

a = np.array([1, 2, 3, 4 ,5], ndmin = 2)
print(a)

输出;
[[1, 2, 3, 4, 5]]

# 如果ndmin = 1，则输出[1 2 3 4 5]

二、数组属性

NumPy数组的维数称为秩（rank），即轴的数量或数组的维度：一维数组的秩为1，二维数组的秩为2，以此类推。

ndarray对象属性：

• ndarray.ndim：秩，即轴的数量或维度的数量；
• ndarray.shape：数组的维度，对于矩阵，就是指n行m列；
• ndarray.size：数组元素的总个数，相当于.shape中n×m的值；
• ndarray.dtype：ndarray对象的元素类型；
• ndarray.itemsize：ndarray对象中每个元素的大小，以字节为单位；
• ndarray.flags：ndarray对象的内存信息；
• ndarray.real：ndarray元素的实部；
• ndarray.imag：ndarray元素的虚部；
• ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，因此通常不需要使用这个属性。

三、NumPy函数学习汇总

import numpy as np

1.np.fromfile()

fromfile函数是支持中文路径的。

使用方法：img = cv.imdecode(np.fromfile("山水.jpg, dtype = np.uint8"), -1)

2.np.shape()

使用方法：np.shape(img)     通过shape方法获取图像的高度、宽度和通道数。

import cv2 as cv
import numpy as np

img = cv.imread('test.jpg')

height = np.shape(img)[0]   # 获取高
weight = np.shape(img)[1]   # 获取宽
channles = np.shape(img)[2]  # 获取通道数

# a[:n]代表列表中的第一项到第n项，即shape[0],shape[1],shape[2]
height, weight, channles = np.shape(img)[:3]   

3.np.hstack()和np.array()

hstack函数就是把两个行相同的数组或者矩阵的列从左到右排列起来，也就是把列水平排列起来。声明如下：

np.hstack(tup)

解释：其中，tup是ndarrays数组序列。这里说的数组就是NumPy库的array，比如定义了一个3行5列的二位矩阵数组：

a = np.array([0, 1, 2 ,3 ,4],

                    [5, 6, 7, 8, 9],

                    [10, 11, 12, 13, 14])      # 有时候方括号业可以用圆括号表示

print(a.shape)    # 输出（3，5）

行数是矩阵的高度，列数是矩阵的宽度。

使用hstack函数来合并行数相同的矩阵数组，比如合并两个都是1行的一维数组：

a = np.array((1, 2 ,3))
b = np.array((4, 5, 6, 7))
e = np.hstack((a, b))
print(e)

输出：
array([1, 2, 3, 4 ,5 ,6 ,7])

4.np.zeros()

numpy.zeros(shape, dtype = float, order = 'C')

np.zeros()返回一个给定形状和类型的用0填充的数组。

• shape表示数组形状；
• dtype表示数据类型，可选；
• order表示是否在内容中以行（C）或列（F）顺序存储多维数组，默认是‘C’。

例如：

np.zeros((200, 200))  表示建立一个200行200列的矩阵

5.np.empty()

np.empty()创建一个指定形状、数据类型且未初始化的数组。

numpy.empty(shape, dtype = float, order = 'C')

• shape表示数组形状；
• dtype表示数据类型，可选；
• order表示是否在内容中以行（C）或列（F）顺序存储多维数组，默认是‘C’，分别代表行优先和列优先，在计算机内存中存储元素的顺序。

例如：

x = np.empty([3, 2], dtype = int)
print(x)

输出结果为：
[[508   0]
 [0     0]
 [0     0]]
# 数组元素为随机值，因为他们未初始化

6.np.ones()

np.ones：创建指定形状的数组，数组元素用1来填充

np.ones(shape, dtype = None, order = 'C')

• shape表示数组形状；
• dtype表示数据类型，可选；
• order表示是否在内容中以行（C）或列（F）顺序存储多维数组，默认是‘C’，分别代表行优先和列优先，在计算机内存中存储元素的顺序。

7.np.arange()

np.arange([start, ]stop, [step, ]dtype=None)

• start:起点值；可忽略不写，默认从0开始
• stop:终点值；生成的元素不包括结束值
• step:步长；可忽略不写，默认步长为1
• dtype:默认为None，设置显示元素的数据类型

不同参数个数情况介绍：

• 一个参数时，参数值为终点值，起点取默认值0，步长取默认值1。
• 两个参数时，第一个参数为起点值，第二个参数为终点，步长取默认值1。
• 三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长，其中步长支持小数。

例如：

np.arange(7)          # [0,1,2,3,4,5,6]
np.arange(3,7)        # [3,4,5,6]
np.arange(3,7,2)      # [3,5]


x = np.arange(5, dtype = float)
print(x)

输出结果为:[0. 1. 2. 3. 4.]

https://blog.csdn.net/qq_45154565/article/details/115690186参考：https://blog.csdn.net/qq_45154565/article/details/115690186

8.np.asarray()

类似于numpy.array，但是numpy.asarray参数只有三个，比numpy.array少两个。

numpy.asarray(a, dtype = None, order = None)

• a：是任意形式的输入参数，可以是列表、列表的元组、元组、元组的元组、元组的列表和多维数组；
• dtype：表示数据类型，可选；
• order：表示是否在内容中以行（C）或列（F）顺序存储多维数组，默认是‘C’，分别代表行优先和列优先，在计算机内存中存储元素的顺序。

实例：

x = [1,2,3]
a = np.asarray(x)
print(a)

输出结果为：[1 2 3]


x = [1,2,3]
a = np.asarray(x, dtype = float)
print(a)

输出结果为：[1. 2. 3.]

9.np.frombuffer()

np.frombuffer用于实现动态数组。numpy.frombuffer接受buffer 输入参数，以流的形式读入转化成ndarray对象。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

• buffer：可以是任意对象，会以流的形式读入；
• dtype：表示数据类型，可选；
• count：表示读取的数据数量，默认为-1，读取所有的数据；
• offer：表示读取的起始位置，默认为0。

10.np.fromiter()

np.fromiter从可迭代对象中建立 ndarray对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-1)

• iterable：表示可迭代对象；
• dtype：表示返回数组的数据类型，可选；
• count：表示读取的数据数量，默认为-1，读取所有的数据；

例如：

# 使用range函数创建列表对象
list = range(5)
it = iter(list)

# 使用迭代器创建ndarray
x = np.fromiter(it, dtype = float)
print(a)

输出结果为：[0. 1. 2. 3. 4.]

11.np.linspace()

用于创建一个一位数组。数组是有一个等差数列构成的，原型如下：

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

• start：表示序列的起始值；
• stop：表示序列的终止值；
• endpoint：如果endpoint为ture,那么该值包含于数列中；
• num：表示要生成的等步长的样本数量，默认为50；
• retstep：retstep为True时，生成的数组中会显示间距，反之不显示；
• dtype：表示ndarray的数据类型。

12.np.logspace()

创建一个于等比数列。原型如下：

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

• start：代表间隔的起始值；
• stop：代表以区间为基础的 间隔的停止值；
• num：表示start和stop范围之间的值数；
• endpoint：时一个布尔型值。它将stop表示的值作为间隔的最后一个值；
• base：代表日志空间的底数；
• dtype：代表数组项的数据类型。

学习书：OpenCV计算机视觉开发实战（基于python）

ps：正在努力学习中，为待完成...