【OpenCV-Python】2.NumPy的简单操作

2.NumPy的简单操作

---

---

前言

  使用Python运行OpenCV的程序时，OpenCV使用NumPy数组存储图像数据。

  本系列文章在Windows10环境下利用Anaconda(Jupyter Notebook)+Python语言进行基础方法的演示。

---

一、NumPy简介

  NumPy(Numerical Python)是Python的一种开源的数值计算软件包。它提供强大的存储和处理大型矩阵的功能，支持大量的维度数组与矩阵运算及线性代数、傅里叶变换和随机数等特性。此外，针对数组运算提供大量的数学函数库，也可以作为通用数据的高效多维容器。NumPy官方地址

---

二、数据类型

  NumPy支持的数据类型比Python内置的类型要更多，基本上可以和C语言的数据类型对应上，其中部分类型对应为Python内置的类型。

数据类型别名	说明
np.bool_	布尔型数据类型(True 或者 False)，存储为字节
np.int_	默认的整数类型(类似于C语言中的long，int32或int64)
np.intc	与 C 的 int 类型一样，一般是 int32 或 int 64
np.int8	整数(-128 to 127)
np.int16	整数(-32768 to 32767)
np.int32	整数(-2147483648 to 2147483647)
np.int64	整数(-9223372036854775808 to 9223372036854775807)
np.uint8	无符号整数(0 to 255)
np.uint16	无符号整数(0 to 65535)
np.uint32	无符号整数(0 to 4294967295)
np.uint64	无符号整数(0 to 18446744073709551615)
np.float_	float64 类型的简写
np.float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
np.float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
np.float64	双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
np.complex_	complex128 类型的简写，即 128 位复数
np.complex64	复数，表示双 32 位浮点数(实数部分和虚数部分)
np.complex128	复数，表示双 64 位浮点数(实数部分和虚数部分)

import numpy as np
a = np.int8(100)
type(a)

numpy.int8

---

三、创建数组

  NumPy可以使用各种函数创建数组。
(1) 使用array()函数创建数组

a = np.array([1, 2, 3]) # 将列表转换为数组，array()函数可将Python中类似数组的数据结构（如列表和元组）转换为数组
print(a)
print(type(a))

[1 2 3]
<class 'numpy.ndarray'>

a = np.array((1, 2, 3)) # 将元组转换为数组
print(a)
print(type(a))

[1 2 3]
<class 'numpy.ndarray'>

a = np.array(([1, 2, 3], [4, 5, 6])) # 将嵌套数据转换为数组
print(a)
print(type(a))

[[1 2 3]
 [4 5 6]]
<class 'numpy.ndarray'>

a = np.array(([1, 2, 3], [4, 6])) # 将嵌套的多维数据转换为数组时，同维度数据的个数应该相同，否则，NumPy会将其作为一个Python对象放入数组。
print(a)
print(type(a))

[list([1, 2, 3]) list([4, 6])]
<class 'numpy.ndarray'>

(2) 使用zeros()函数创建数组

a = np.zeros((2, 3), dtype=int) # 创建2行3列的二维数组，创建指定形状数组，数组元素默认值为0，数据类型默认为float
print(a)
print(type(a))

[[0 0 0]
 [0 0 0]]
<class 'numpy.ndarray'>

a = np.zeros((3, 2, 4)) # 创建三维数组
print(a)
print(a.shape)
print(type(a))

[[[0. 0. 0. 0.]
  [0. 0. 0. 0.]]

 [[0. 0. 0. 0.]
  [0. 0. 0. 0.]]

 [[0. 0. 0. 0.]
  [0. 0. 0. 0.]]]
(3, 2, 4)
<class 'numpy.ndarray'>

(3) 使用arange()函数创建数组

a = np.arange(5) # 元素取值范围为[0,4]，创建元素值按规则递增的数组
b = np.arange(-2, 5) # 元素取值范围为[-2,4]
c = np.arange(5.6)
d = np.arange(-2, 5, dtype=int)
print(d)
print(d.shape)
print(type(d))

[-2 -1  0  1  2  3  4]
(7,)
<class 'numpy.ndarray'>

(4) 使用使用linspace(a,b,c)函数创建数组

a = np.linspace(1,10,6) # 创建由参数c指定元素数量的数组，其第一个元素为a，最后一个元素为b，相邻元素的差值为(b-a)/(c-1)
print(a)
print(a.shape)
print(type(a))

[ 1.   2.8  4.6  6.4  8.2 10. ]
(6,)
<class 'numpy.ndarray'>

(5) 使用使用indices()函数创建数组

a = np.indices((3,4)) # 创建一个有两个元素的一维数组，每个元素都是一个指定形状的数组，其元素值表示该维的变化，
print(a)
print(a.shape)
print(type(a))

[[[0 0 0 0]
  [1 1 1 1]
  [2 2 2 2]]

 [[0 1 2 3]
  [0 1 2 3]
  [0 1 2 3]]]
(2, 3, 4)
<class 'numpy.ndarray'>

(6) 使用使用ones()函数创建数组

a = np.ones((5),dtype=int) # 用于创建元素值为1的数组(单位矩阵)
print(a)
print(type(a))

[1 1 1 1 1]
<class 'numpy.ndarray'>

a = np.ones((2, 3), dtype=float) # 创建2行3列的二维数组
print(a)
print(type(a))

[[1. 1. 1.]
 [1. 1. 1.]]
<class 'numpy.ndarray'>

a = np.ones((3, 2, 4)) # 创建三维数组
print(a)
print(a.shape)
print(type(a))

[[[1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]]]
(3, 2, 4)
<class 'numpy.ndarray'>

---

四、数组的形状

  NumPy可以使用shape()、reshape()、resize()、np.ravel()等查看或改变数组的形状。

a = np.arange(12) # 创建一维数组，其中共有12个元素
print(a)
print(a.shape) # 看数组形状

[ 0  1  2  3  4  5  6  7  8  9 10 11]
(12,)

a.shape=(2, -1) # 更改数组形状为2行，-1表示每行中的元素个数自动计算
print(a)
print(a.shape)

[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]
(2, 6)

b = a.reshape((3,-1)) # reshape()方法可更改数组形状，并返回更改后的新数组，reshape()方法不能减少或增加数组元素个数
print(b)
print(b.shape)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
(3, 4)

a = np.arange(12)
a.resize((3,5), refcheck=False) # resize()方法的refcheck参数为False时，可在改变形状的同时更改元素个数
print(a)
print(a.shape)

[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11  0  0  0]]
(3, 5)

a = np.arange(12)
a.resize((3,4))
np.ravel(a, order='F') # 函数可将数组转换为一维数组，返回一维数组，列优先

array([ 0,  4,  8,  1,  5,  9,  2,  6, 10,  3,  7, 11])

---

五、索引、切片和迭代

(1) 一维数组的索引、切片和迭代等操作与Python的列表类似

rng = np.random.default_rng() # 获得随机数生成器
a = rng.integers(10, size=8)
print(a)

[8 6 1 5 7 3 0 4]

a[0]

8

a[-1]

4

a[2:5]

array([1, 5, 7], dtype=int64)

a[:5]

array([8, 6, 1, 5, 7], dtype=int64)

a[2:]

array([1, 5, 7, 3, 0, 4], dtype=int64)

for x in a:
    print(x,end=',')

8,6,1,5,7,3,0,4,

(2) 多维数组用以逗号分隔的多个值进行索引

a = rng.integers(10, size=(2,5))
print(a)

[[4 0 9 2 6]
 [9 4 9 2 8]]

a[0,0]

4

a[1,0]

9

a[0,:3]

array([4, 0, 9], dtype=int64)

for x in a:
    print(x,end=',')

[4 0 9 2 6],[9 4 9 2 8],

---

六、数组运算

(1) NumPy数组与常量执行算术运算和比较运算时，会对每个数组元素执行计算

a = np.arange(5)
a
array([0, 1, 2, 3, 4])

a + 5

array([5, 6, 7, 8, 9])

a - 5

array([-5, -4, -3, -2, -1])

a * 5

array([ 0,  5, 10, 15, 20])

a ** 5

array([   0,    1,   32,  243, 1024], dtype=int32)

a/2

array([0. , 0.5, 1. , 1.5, 2. ])

a//2 # 每个元素除以2，结果为整数

array([0, 0, 1, 1, 2], dtype=int32)

a<2.5

array([ True,  True,  True, False, False])

(2) 两个数组执行算术运算时，“*”运算符用来计算元素乘积，“@”运算符和dot()方法用来计算矩阵乘积。

a = np.array([[1, 2],[3, 4]])
b = np.array([[10, 0],[0, 10]])
print(a)
print(b)

a + b

array([[11,  2],
       [ 3, 14]])

a - b

array([[-9,  2],
       [ 3, -6]])

a @ b

array([[10, 20],
       [30, 40]])

a.dot(b)

array([[10, 20],
       [30, 40]])

a.T

array([[1, 3],
       [2, 4]])

(3) NumPy数组支持“+=”“*=”等赋值运算，且会用计算结果覆盖原数组。

a += 10
a

array([[11, 12],
       [13, 14]])

a *= 2
a

array([[22, 24],
       [26, 28]])

(4) NumPy为数组提供了一些执行计算的方法。

a = np.array([[1, 2, 3],[4, 5, 6]])
a

array([[1, 2, 3],
       [4, 5, 6]])

a.min()

1

a.max()

6

a.sum()

21

(4) 可设置axis参数以便按指定的轴执行计算。

a.max(axis=0)

array([4, 5, 6])

a.max(axis=1)

array([3, 6])

---

七、OpenCV-Python资源下载

OpenCV-Python测试用图片、中文官方文档、opencv-4.5.4源码

---

总结

  以上内容介绍了NumPy简介与简单的操作，有关Python、数据科学、人工智能等文章后续会不定期发布，请大家多多关注，一键三连哟(●’◡’●)。