numpy矩阵最大元素_干货|西大学长教你玩转计算机03——Numpy图像处理

Mar.18

NO.31

Numpy

基本操作和图像变换

程序猿圈的那点事儿

图源网络

锵锵锵，大家好，每周一度的马学长课堂又开课啦！一周的时间，相信大家已经掌握了Matplotlib的基本图像处理。接下来，让我们进行下一阶段的学习。

这一次马学长将为大家详细讲解Numpy工具包中的各种工具，并且会举实例说明如何应用。Numpy是非常有名的python科学计算工具包，其中包含了大量有用的思想，比如数组对象(用来表示向量、矩阵、图像等等)以及线性代数，通过本次学习也能为之后进行复杂的图像处理打下牢固的基础。

Numpy的定义

Numpy中的数组对象可以帮助我们进行数组的重要操作，比如矩阵乘积、转置、解方程系统、向量乘积归一化，通过这些操作，我们可以对图像进行建模、图像分类、图像聚类等复杂的图像处理工作。

Numpy的基本操作

Numpy在前面的文章中已有涉及，但是并没有系统讲解，今天，我们将对numpy库的操作进行详细介绍。

首先将 NumPy 导入为 np，并查看版本。

代码如下：

import numpy as np
print(np.__version__)

numpy(Numerical Python)提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

基本操作的代码如下：

import numpy as np  # 引入numpy库
a1 = np.array([1, 2, 3, 4, 5])  # 创建一个一维数组
a2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])  # 创建一个二维数组
print('数组a1的长度:', a.shape)  # 结果返回一个tuple元组 (2L, 5L)
print('数组a2的行数：', a2.shape[0])  # 获得行数，返回 2
print('数组a2的列数：', a2.shape[1])  # 获得列数，返回 5
print('获取矩阵a2的第2行：', a2[1])  # 截取第2行,返回 [ 6  7  8  9 10]
print('获取数组a2第一行的第三，四，五个元素：', a2[0, 2:5])  # 截取第二行，第三、四、五列，
返回 [3 4 5]
b = a2[a2 > 6]  # 截取矩阵a中大于6的元素，范围的是一维数组
print('矩阵中大于6的元素是：', b)  # 返回 [ 7  8  9 10]
a2[a2 > 6] = 0
print(a2)

输出结果如下：

矩阵的截取和python中的list相同，可以通过[](方括号)来截取，这里不再过多赘述。

这里讲一下按条件截取 ，按条件截取其实是在[](方括号)中传入自身的布尔语句 ，按条件截取应用较多的是对矩阵中满足一定条件的元素变成特定的值。 

矩阵的合并：

矩阵合并可以通过numpy中的hstack方法和vstack方法实现。

代码如下：

import numpy as np
a1 = np.array([[1, 2], [3, 4]])
a2 = np.array([[5, 6], [7, 8]])
# !注意 参数传入时要以列表list或元组tuple的形式传入
print(np.hstack([a1, a2]))
# 横向合并
print(np.vstack((a1, a2)))
# 纵向合并

输出结果为：

此外， 矩阵的合并也可以通过concatenatef方法。

具体代码如下：

np.concatenate( (a1,a2), axis=0 )  等价于  np.vstack( (a1,a2) )
np.concatenate( (a1,a2), axis=1 )  等价于  np.hstack( (a1,a2) )

我们还可以通过函数创建矩阵，numpy模块中自带了一些创建ndarray对象的函数，可以很方便的创建常用的或有规律的矩阵。

ones创建全1矩阵 
zeros创建全0矩阵 
eye创建单位矩阵 
empty创建空矩阵(实际有值)

具体代码为：

import numpy as np
a_ones = np.ones((3, 4))  # 创建3*4的全1矩阵
print('第一个矩阵：\n', a_ones)
a_zeros = np.zeros((3, 4))  # 创建3*4的全0矩阵
print('第二个矩阵：\n', a_zeros)
a_eye = np.eye(3)  # 创建3阶单位矩阵
print('第三个矩阵：\n', a_eye)
a_empty = np.empty((3, 4))  # 创建3*4的空矩阵
print('第四个矩阵：\n', a_empty)

输出结果如下：

矩阵的常见运算：

+：矩阵对应元素相加-：矩阵对应元素相减*：矩阵对应元素相乘/：矩阵对应元素相除，如果都是整数则取商%：矩阵对应元素相除后取余数**：矩阵每个元素都取n次方，如**2：每个元素都取平方

常用矩阵函数：

np.sin(a)：对矩阵a中每个元素取正弦,sin(x)
np.cos(a)：对矩阵a中每个元素取余弦,cos(x)
np.tan(a)：对矩阵a中每个元素取正切,tan(x)
np.arcsin(a)：对矩阵a中每个元素取反正弦,arcsin(x)
np.arccos(a)：对矩阵a中每个元素取反余弦,arccos(x)
np.arctan(a)：对矩阵a中每个元素取反正切,arctan(x)
np.exp(a)：对矩阵a中每个元素取指数函数,ex
np.sqrt(a)：对矩阵a中每个元素开根号√x

矩阵的点乘：

import numpy as np

a1 = np.array([[1, 2, 3], [4, 5, 6]])  # a1为2*3矩阵
a2 = np.array([[1, 2], [3, 4], [5, 6]])  # a2为3*2矩阵
print(a1.shape[1] == a2.shape[0])
# 用来判断矩阵是否满足点乘的条件
print(a1.dot(a2))

运行结果为：

矩阵的转置：

求矩阵的转置我们用 a.transpose()来实现，此外， 矩阵的转置还有更简单的方法，就是a.T

矩阵的逆矩阵：

求矩阵的逆需要先导入numpy.linalg，用linalg的inv函数来求逆。矩阵求逆的条件是矩阵的行数和列数相同，具体代码如下：

import numpy as np
import numpy.linalg as lg
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(lg.inv(a))

输出结果如下：

获取矩阵中的元素信息

最大值和最小值：

获得矩阵中元素最大最小值的函数分别是max和min，可以获得整个矩阵、行或列的最大最小值。 

如：a.max()和a.min()其中，括号内我们还可以传入我们想要的参数，axis=1或者axis=0，分别表示获得每行的最大(小)值和获得每列的最大(小)值。

平均值：

获得矩阵中元素的平均值可以通过函数mean()。同样地，可以通过传入axis=0和axis=1参数获得整个矩阵、行或列的平均值。

方差和标准差：

方差的函数为var(),方差函数var()相当于函数mean(abs(x - x.mean())**2),其中x为矩阵。

标准差的函数为std()，std()相当于sqrt(mean(abs(x - x.mean())**2))，或相当于sqrt(x.var())。

中值：

中值指的是将序列按大小顺序排列后，排在中间的那个值，如果有偶数个数，则是排在中间两个数的平均值。

中值函数是median()，调用方法为numpy.median(x,[axis])，axis可指定轴方向，默认axis=None，对所有数去中值。

求和：

矩阵求和的函数是sum()，可以对行，列，或整个矩阵求和。

累积和：

某位置累积和指的是该位置之前(包括该位置)所有元素的和。

例如序列[1,2,3,4,5]，其累计和为[1,3,6,10,15]，即第一个元素为1，第二个元素为1+2=3，……，第五个元素为1+2+3+4+5=15。

矩阵求累积和的函数是cumsum()，可以对行、列、或整个矩阵求累积和。

图像的数组表示

计算机在处理一幅图像时，其实是处理的成千上万个像素数据，当我们载入一幅图像时，我们可以查看它的属性和类型。

当输入如下代码：

im = array(Image.open('test.jpg'))
print(im.shape)
print(im.dtype)

我们就会有如下输出：

括号中的三个数分别代表(行，列，颜色通道)，dtype则显示出数组元素的数据类型。

对于灰度图像：

im = array(Image.open('test.jpg').convert('L'),'f')
print(im.shape)
print(im.dtype)

输出结果为：

输出此结果的原因是对图像进行了灰度化处理，并且在创建数组时使用了额外的参数“f”将数据类型变成了浮点型。

灰度变换

将图像读入Numpy数组对象之后，我们可以对他们执行任意的数字操作，一个简单的例子就是图像的灰度变换。

考虑任意函数f它将0...255区间(或者0...1区间)映射到自身(即输入区间和输出区间的范围相同)。下面是关于灰度变换的一些例子。

代码如下：

from PIL import Image
from numpy import *
image = array(Image.open('test.jpg').convert('L'))
fig = plt.figure(figsize=(30, 30))
plt.subplot(4, 1, 1)
plt.imshow(image, cmap=cm.gray)
plt.axis("off")
plt.subplot(4, 1, 2)
image1 = 255 - image
plt.imshow(image1, cmap=cm.gray)
plt.axis("off")
plt.subplot(4, 1, 3)
imgae2 = (image / 255.0) * 100 + 100
data2 = np.array(image2)
plt.imshow(data2, cmap=cm.gray)
plt.axis("off")
plt.subplot(4, 1, 4)
imgae3 = 255.0 * (image / 255.0) ** 2
data3 = np.array(image3)
plt.imshow(data3, cmap=cm.gray)
plt.axis("off")

plt.show()输出图像如下：

(1)首先读入一副图像并将它转换成了灰度图像，并且绘制出原始灰度图像。

(2)利用255减去每一个像素值便相当于对图像进行了反相处理。在计算机中，当以RGB模式表示颜色时，反相的实现是用255(前提是R/G/B都是8位的)分别减去R，G，B的值，得到的即为反相对应的RGB值。对于灰度图像来说，反相就是黑变白，白变黑，生成第二幅图像；

(3)将原始灰度图像的像素值变换到(100，200)这个区间，生成第三幅图像；

(4)利用变换函数对灰度图像进行变换，可以突出灰度图像的某些特征。

变换函数的图像如下图左边所示，右边为对应变换后的图像。

今天的分享就到这里，希望能对大家理解Numpy基本操作和图像变换有所帮助。别忘了好好练习哦，下周一同一时间，菜包和马学长会来检查作业的！

End