import numpy as np rgb_list = np.array([[20, 81, 124], [67, 205, 128], [216, 56, 58], [243, 210, 102], [44, 62, 80]]) img_imerged_3d = np.array([[[54, 81, 124], [67, 205, 128], [216, 56, 58], [243, 210, 102]], [[44, 62, 80],[67, 205, 128], [216, 56, 58], [243, 210, 102]], [[67, 205, 128], [216, 56, 58], [243, 210, 102], [67, 205, 128]],[[216, 56, 58], [243, 210, 102],[67, 205, 128], [216, 56, 58]]]) #print(rgb_list.dtype) #print(rgb_list) #print(img_imerged_3d.dtype) #print(img_imerged_3d) img_imerged_2d = img_imerged_3d.reshape(-1,3) #print(img_imerged_2d) img_imerged_2d_rows = np.apply_along_axis(lambda x: x.tobytes(), 1, img_imerged_2d) rgb_list_rows = np.apply_along_axis(lambda x: x.tobytes(), 1, rgb_list) diff_rows = np.setdiff1d(img_imerged_2d_rows, rgb_list_rows) result = np.array([np.frombuffer(row, dtype=img_imerged_2d.dtype) for row in diff_rows]) print(result)
时间: 2023-02-11 17:17:40 浏览: 56
这是一段 Python 代码,它定义了两个 numpy 数组:rgb_list 和 img_imerged_3d。
rgb_list 数组是一个二维数组,其中包含了 5 个由三个元素(R,G,B值)组成的数组
img_imerged_3d 数组是一个三维数组,其中包含了4个二维数组,每个二维数组包含4个三元素数组。
相关问题
import os import cv2 import numpy as np def load_data(file_dir): all_num = 4000 train_num = int(all_num * 0.75) cats = [] label_cats = [] dogs = [] label_dogs = [] for file in os.listdir(file_dir): file="\\"+file name = file.split(sep='.') if 'cat' in name[0]: cats.append(file_dir + file) label_cats.append(0) else: if 'dog' in name[0]: dogs.append(file_dir + file) label_dogs.append(1) image_list = np.hstack((cats,dogs)) label_list = np.hstack((label_cats, label_dogs)) temp = np.array([image_list, label_list]) # 矩阵转置 temp = temp.transpose() # 打乱顺序 np.random.shuffle(temp) # print(temp) # 取出第一个元素作为 image 第二个元素作为 label image_list = temp[:, 0] label1_train = temp[:train_num, 1] # print(label1_train) # 单出,去掉单字符 label_train = [int(y) for y in label1_train] # print(label_train) label1_test = temp[train_num:, 1] label_test = [int(y) for y in label1_test] data_test=[] data_train = [] for i in range (all_num): if i <train_num: image= image_list[i] image = cv2.imread(image) image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #将图片转换成RGB格式 image = cv2.resize(image, (28, 28)) image = image.astype('float32') image = np.array(image)/255#归一化[0,1] image=image.reshape(-1,28,28) data_train.append(image) # label_train.append(label_list[i]) else: image = image_list[i] image = cv2.imread(image) image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) image = cv2.resize(image, (28, 28)) image = image.astype('float32') image = np.array(image) / 255 image = image.reshape(-1, 28, 28) data_test.append(image) # label_test.append(label_list[i]) data_train=np.array(data_train) label_train = np.array(label_train) data_test = np.array(data_test) label_test = np.array(label_test) return data_train,label_train,data_test, label_test
这段代码是定义了一个函数load_data,用来加载数据集,并将数据集划分为训练集和测试集。函数接收一个参数file_dir,表示数据集所在的路径。首先,定义了all_num和train_num两个变量,用来表示数据集的总数和训练集的数量,其中训练集的数量是总数的75%。然后,定义了四个空列表,分别用来存储猫的图片路径、猫的标签、狗的图片路径和狗的标签。接着,使用os.listdir函数遍历数据集路径下的所有文件,对每个文件进行判断,如果文件名中包含'cat'字符串,则将该文件的路径添加到cats列表中,并将标签0添加到label_cats列表中;如果文件名中包含'dog'字符串,则将该文件的路径添加到dogs列表中,并将标签1添加到label_dogs列表中。然后,使用numpy.hstack函数将猫和狗的图片路径和标签拼接成两个一维数组image_list和label_list。接着,使用numpy.array函数将image_list和label_list拼接成一个二维数组temp,并将其转置,使得图片路径和标签分别位于temp的第一列和第二列。然后,使用numpy.random.shuffle函数对temp进行打乱顺序操作。接着,将temp的第一列(即图片路径)赋值给image_list,将temp的前train_num行的第二列(即标签)赋值给label1_train,将temp的后面部分的第二列(即标签)赋值给label1_test。然后,将label1_train和label1_test从字符串类型转换为整型,并分别赋值给label_train和label_test。最后,调用前面提到的数据预处理代码,将image_list中的每张图片进行预处理,并将处理后的图片数据分别添加到data_train和data_test列表中,并将列表转换为numpy数组类型。最后,函数返回data_train、label_train、data_test和label_test四个变量。
from skimage.segmentation import slic, mark_boundaries import torchvision.transforms as transforms import numpy as np from PIL import Image import matplotlib.pyplot as plt import cv2 # 加载图像 image = Image.open('img.png') # 转换为 PyTorch 张量 transform = transforms.ToTensor() img_tensor = transform(image).unsqueeze(0) # 将 PyTorch 张量转换为 Numpy 数组 img_np = img_tensor.numpy().transpose(0, 2, 3, 1)[0] # 使用 SLIC 算法生成超像素标记图 segments = slic(img_np, n_segments=100, compactness=10) # 可视化超像素标记图 segment_img = mark_boundaries(img_np, segments) # 将 Numpy 数组转换为 PIL 图像 segment_img = Image.fromarray((segment_img * 255).astype(np.uint8)) # 保存超像素标记图 segment_img.save('segments.jpg') n_segments = np.max(segments) + 1 # 初始化超像素块的区域 segment_regions = np.zeros((n_segments, img_np.shape[0], img_np.shape[1])) # 遍历每个超像素块 for i in range(n_segments): # 获取当前超像素块的掩码 mask = (segments == i) # 将当前超像素块的掩码赋值给超像素块的区域 segment_regions[i][mask] = 1 # 保存超像素块的区域 np.save('segment_regions.npy', segment_regions) # 加载超像素块的区域 segment_regions = np.load('segment_regions.npy') # 取出第一个超像素块的区域 segment_region = segment_regions[0] segment_region = (segment_region * 255).astype(np.uint8) # 显示超像素块的区域 plt.imshow(segment_region, cmap='gray') plt.show(),将上述代码中,# 取出第一个超像素块的区域 segment_region = segment_regions[0]改为取出全部超像素块的区域
可以使用循环遍历每个超像素块,将每个超像素块的区域添加到一个列表中。具体操作如下:
```python
# 加载超像素块的区域
segment_regions = np.load('segment_regions.npy')
# 初始化超像素块列表
segment_list = []
# 遍历每个超像素块
for i in range(segment_regions.shape[0]):
# 取出当前超像素块的区域
segment_region = segment_regions[i]
# 将超像素块区域转换为彩色图像
segment_region = cv2.cvtColor(segment_region, cv2.COLOR_GRAY2RGB)
# 添加黄色边缘
cv2.rectangle(segment_region, (0, 0), (segment_region.shape[1]-1, segment_region.shape[0]-1), (0, 255, 255), 2)
# 将超像素块添加到列表中
segment_list.append(segment_region)
# 将超像素块列表转换为 Numpy 数组
segment_array = np.array(segment_list)
# 显示所有超像素块的区域
plt.imshow(segment_array)
plt.show()
```
这样就可以显示所有超像素块的区域,并在边缘添加黄色的边框了。