如何向 Numpy 数组添加新维度？

问题描述：

我从一个图像的 numpy 数组开始。

In[1]:img = cv2.imread('test.jpg')

该形状正是您所期望的 640x480 RGB 图像。

In[2]:img.shape
Out[2]: (480, 640, 3)

但是，我拥有的这幅图像是视频的一帧，视频长度为 100 帧。理想情况下，我希望有一个包含此视频所有数据的数组，以便img.shape返回(480, 640, 3, 100)。

将下一帧（即下一组图像数据，另一个 480 x 640 x 3 数组）添加到我的初始数组的最佳方法是什么？

解决方案 1：

可以按如下方式向 numpy 数组添加维度：

image = image[..., np.newaxis]

解决方案 2：

或者

image = image[..., np.newaxis]

在@dbliss的回答中，你也可以使用numpy.expand_dims类似

image = np.expand_dims(image, <your desired dimension>)

例如（取自上面的链接）：

x = np.array([1, 2])

print(x.shape)  # prints (2,)

然后

y = np.expand_dims(x, axis=0)

产量

array([[1, 2]])

和

y.shape

给出

(1, 2)

解决方案 3：

您可以预先创建一个正确大小的数组并填充它：

frames = np.empty((480, 640, 3, 100))

for k in xrange(nframes):
    frames[:,:,:,k] = cv2.imread('frame_{}.jpg'.format(k))

如果帧是单独的 jpg 文件，并以某种特定方式命名（在示例中，frame_0.jpg、frame_1.jpg 等）。

请注意，您可以考虑使用(nframes, 480,640,3)形状数组。

解决方案 4：

Python 式的

X = X[:, :, None]

相当于

X = X[:, :, numpy.newaxis]和
X = numpy.expand_dims(X, axis=-1)

但是由于您明确询问有关堆叠图像的问题，我建议您堆叠可能在循环中收集的list图像。np.stack([X1, X2, X3])

如果你不喜欢维度的顺序，你可以重新排列np.transpose()

解决方案 5：

a = np.expand_dims(a, axis=-1) 

或者

a = a[:, np.newaxis] 

或者

a = a.reshape(a.shape + (1,))

解决方案 6：

您可以np.concatenate()使用axis参数来指定应连接的维度。如果要连接的数组没有此维度，您可以使用np.newaxis来指示应在何处添加新维度：

import numpy as np
movie = np.concatenate((img1[:,np.newaxis], img2[:,np.newaxis]), axis=3)

如果您正在读取多个文件：

import glob
movie = np.concatenate([cv2.imread(p)[:,np.newaxis] for p in glob.glob('*.jpg')], axis=3)

解决方案 7：

考虑使用重塑方法的方法 1 和使用 np.newaxis 方法的方法 2，它们产生相同的结果：

#Lets suppose, we have:
x = [1,2,3,4,5,6,7,8,9]
print('I. x',x)

xNpArr = np.array(x)
print('II. xNpArr',xNpArr)
print('III. xNpArr', xNpArr.shape)

xNpArr_3x3 = xNpArr.reshape((3,3))
print('IV. xNpArr_3x3.shape', xNpArr_3x3.shape)
print('V. xNpArr_3x3', xNpArr_3x3)

#Approach 1 with reshape method
xNpArrRs_1x3x3x1 = xNpArr_3x3.reshape((1,3,3,1))
print('VI. xNpArrRs_1x3x3x1.shape', xNpArrRs_1x3x3x1.shape)
print('VII. xNpArrRs_1x3x3x1', xNpArrRs_1x3x3x1)

#Approach 2 with np.newaxis method
xNpArrNa_1x3x3x1 = xNpArr_3x3[np.newaxis, ..., np.newaxis]
print('VIII. xNpArrNa_1x3x3x1.shape', xNpArrNa_1x3x3x1.shape)
print('IX. xNpArrNa_1x3x3x1', xNpArrNa_1x3x3x1)

我们的结果是：

I. x [1, 2, 3, 4, 5, 6, 7, 8, 9]

II. xNpArr [1 2 3 4 5 6 7 8 9]

III. xNpArr (9,)

IV. xNpArr_3x3.shape (3, 3)

V. xNpArr_3x3 [[1 2 3]
 [4 5 6]
 [7 8 9]]

VI. xNpArrRs_1x3x3x1.shape (1, 3, 3, 1)

VII. xNpArrRs_1x3x3x1 [[[[1]
   [2]
   [3]]

  [[4]
   [5]
   [6]]

  [[7]
   [8]
   [9]]]]

VIII. xNpArrNa_1x3x3x1.shape (1, 3, 3, 1)

IX. xNpArrNa_1x3x3x1 [[[[1]
   [2]
   [3]]

  [[4]
   [5]
   [6]]

  [[7]
   [8]
   [9]]]]

解决方案 8：

numpy 中没有允许您稍后添加更多数据的结构。

相反，numpy 将所有数据放入一个连续的数字块（基本上是 C 数组），并且任何调整大小都需要分配一个新的内存块来保存它。Numpy 的速度来自于能够将 numpy 数组中的所有数据保存在同一块内存中；例如，数学运算可以并行化以提高速度，并且缓存未命中率更低。

因此你会有两种解决方案：

1. 预先分配 numpy 数组的内存并填写值，如 JoshAdel 的答案中所述，或者

2. 将数据保存在普通的 Python 列表中，直到真正需要将它们放在一起（见下文）

images = []
for i in range(100):
    new_image = # pull image from somewhere
    images.append(new_image)
images = np.stack(images, axis=3)

请注意，无需先扩展单个图像数组的尺寸，也不需要提前知道预计有多少张图像。

解决方案 9：

您可以将堆栈与轴参数一起使用：

img.shape  # h,w,3
imgs = np.stack([img1,img2,img3,img4], axis=-1)   # -1 = new axis is last
imgs.shape #  h,w,3,nimages

例如：将灰度转换为彩色：

>>> d = np.zeros((5,4), dtype=int)  # 5x4
>>> d[2,3] = 1

>>> d3.shape
Out[30]: (5, 4, 3)

>>> d3 = np.stack([d,d,d], axis=-2)  # 5x4x3   -1=as last axis
>>> d3[2,3]
Out[32]: array([1, 1, 1])

解决方案 10：

我遵循了这种方法：

import numpy as np
import cv2

ls = []

for image in image_paths:
    ls.append(cv2.imread('test.jpg'))

img_np = np.array(ls) # shape (100, 480, 640, 3)
img_np = np.rollaxis(img_np, 0, 4) # shape (480, 640, 3, 100).

解决方案 11：

这对我有用：

image = image[..., None]

解决方案 12：

这将帮助你在任何你想要的地方添加轴

    import numpy as np
    signal = np.array([[0.3394572666491664, 0.3089068053925853, 0.3516359279582483], [0.33932706934615525, 0.3094755563319447, 0.3511973743219001], [0.3394407172182317, 0.30889042266755573, 0.35166886011421256], [0.3394407172182317, 0.30889042266755573, 0.35166886011421256]])
    
    print(signal.shape)
#(4,3)
    print(signal[...,np.newaxis].shape)  or  signal[...:none]
#(4, 3, 1) 
    print(signal[:, np.newaxis, :].shape)  or signal[:,none, :]

#(4, 1, 3)

解决方案 13：

有三种方法可以向 ndarray 添加新维度。

首先：使用“np.newaxis”（类似于@dbliss 答案）

• np.newaxis 只是为了更容易理解而赋予了 None 的别名

。如果你用 None 替换 np.newaxis，它的工作方式相同

。但最好使用 np.newaxis 以更明确。

import numpy as np

my_arr = np.array([2, 3])
new_arr = my_arr[..., np.newaxis]

print("old shape", my_arr.shape)
print("new shape", new_arr.shape)

>>> old shape (2,)
>>> new shape (2, 1)

第二：使用“np.expand_dims()”

• 在第一个参数中指定原始 ndarray，在第二个参数轴中添加维度的位置。

my_arr = np.array([2, 3])
new_arr = np.expand_dims(my_arr, -1)

print("old shape", my_arr.shape)
print("new shape", new_arr.shape)

>>> old shape (2,)
>>> new shape (2, 1)

第三：使用“reshape()”

my_arr = np.array([2, 3])
new_arr = my_arr.reshape(*my_arr.shape, 1)

print("old shape", my_arr.shape)
print("new shape", new_arr.shape)

>>> old shape (2,)
>>> new shape (2, 1)