numpy数组transpose与图像

基本属性

首先，了解一点numpy数组基本属性。

属性含义narray.ndim秩，维数，一维数组的秩为1，二维数组的秩为2narray.shape维度表示，行数、列数等narray.size元素总个数， 等于shape属性中元组元素的乘积narray.dtype元素类型

transpose 与 reshape

import numpy as np # 一维数组transpose无意义 data = np.arange(4) print(data) data = data.transpose() print(data) # 二维数组，横纵坐标互换 data = np.arange(8).reshape(4, 2) print(data) data = data.transpose() print(data) # 三维数组，可以理解为2个 3行 * 4列的二维数组 data = np.arange(24).reshape(2, 3, 4) print(data) # transpose其实接受参数，不过对于一二维数组没有必要 # 参数可以是0,1,2，可以想象成对应x,y,z坐标 data = data.transpose(2, 1, 0) print(data)

一二维数组没有什么好说，三维数组的transpose找对应关系稍微复杂，不过相比于寻找具体的对应关系，我觉得更好理解的是：

第0个维度：对应有多少个二维数组第1个维度：对应每个二维数组的行数第2个维度：对应每个二维数组的列数

举个简单例子：

img = Image.open(r"G:\tmp\wbc.jpg") img_arr = np.array(img).astype(np.uint8) print(img_arr.shape) print(img_arr) img_arr = img_arr.transpose(2, 0, 1) print(img_arr.shape) print(img_arr)

一个540 * 720的图片，通过numpy转为数组的shape是(720,540,3)，相当于720个540行3列的数组，参数对应关系：

第0个维度：720第1个维度：540第2个维度：3

我们可以通过transpose(2, 0, 1)，把数组变为第二个参数变为第0个参数，第0个参数变为第一个，第一个参数变为第二个，于是：

第0个维度：3第1个维度：720第2个维度：540

这样数组的shape就变为(3,720,540)，相当于3个720行，540列的二维数组，这样我们就成功的将RGB分离出来，方便进一步计算。

应用

白平衡中的灰度世界算法：

import numpy as np from PIL import Image def gray_world(src_img_path, dest_img_path): """ 灰度世界算法 """ src_img = Image.open(src_img_path) # 图形转numpy数组 image_arr = np.array(src_img).astype(np.uint32) # 分离RGB image_arr = image_arr.transpose(2, 0, 1) avg_red = np.average(image_arr[0]) avg_green = np.average(image_arr[1]) avg_blue = np.average(image_arr[2]) gray = (avg_red + avg_green + avg_blue) / 3 kred = gray / avg_red kgreen = gray / avg_green kblue = gray / avg_blue image_arr[0] = np.minimum(image_arr[0] * kred, 255) image_arr[1] = np.minimum(image_arr[1] * kgreen, 255) image_arr[2] = np.minimum(image_arr[2] * kblue, 255) # 重新合并RGB image_arr = image_arr.transpose(1, 2, 0) # numpy数组转图像 img = Image.fromarray(image_arr.astype('uint8')).convert('RGB') img.save(dest_img_path) if __name__ == '__main__': img_path = r"G:\tmp\2d.jpg"; gray_world(img_path, r"G:\tmp\gray_world.jpg")