Numpy aplatir l'image RVB tableau

J'ai de 1000 images RVB (64X64) qui je veux le convertir à une (m, n) de la matrice.

J'utilise ceci:

import numpy as np
from skdata.mnist.views import OfficialImageClassification
from matplotlib import pyplot as plt
from PIL import Image                                                            
import glob
import cv2

x_data = np.array( [np.array(cv2.imread(imagePath[i])) for i in range(len(imagePath))] )
print x_data.shape

Qui me donne: (1000, 64, 64, 3)

Maintenant, si je fais:

pixels = x_data.flatten()
print pixels.shape

J'obtiens: (12288000,)

Cependant, j'ai besoin d'un tableau avec ces dimensions: (1000, 12288)

Comment puis-je y parvenir?

OriginalL'auteur apples-oranges | 2016-05-01

  1. 6

    Appliquer la numpy méthode reshape() après l'application de flatten() à la aplati tableau:

      x_data = np.array( [np.array(cv2.imread(imagePath[i])) for i in range(len(imagePath))] )

  pixels = x_data.flatten().reshape(1000, 12288)
  print pixels.shape
    Neat! Sera-ce de préserver les propriétés de l'image c'est à dire je ne perds pas de pixel de l'information?
    Flatten() et reshape() sont lossless. Les dimensions de la matrice résultante doit toujours se multiplier pour être le même total. Aplatir a un shape() comme un 1-D de tableau, pas un n-D de tableau, donc pas de deuxième valeur de sa forme. Il ressemble à array([1, 2, 3,]). Un n-D de la forme (3,1) tableau ressemblerait array([[1],[2],[3]]).
    Voici un excellent post sur la formation: stackoverflow.com/questions/22053050/...
    aussi, en fonction de ce que vous faites, vous pourriez juste voulez reshape les données d'origine directement--aplatir crée une restructuration de la copie des données que vous ne pourriez pas besoin. x_data.reshape(1000, 12288)
    Merci encore pour l'astuce! Le plan est d'analyser la matrice à travers le tee-END de l'algorithme :-).

    OriginalL'auteur Ray

  2. 5

    Essayez ceci:

    d1, d2, d3, d4 = x_data.shape

    puis à l'aide de numpy.reshape()

    x_data_reshaped = x_data.reshape((d1, d2*d3*d4))

    ou

    x_data_reshaped = x_data.reshape((d1, -1))

    (Numpy déduit de la valeur au lieu de -1 partir de l'original de la longueur et dimension définies d1)

    d2*d3*4 est mieux d'épeautre -1. Donc x_data_reshaped = x_data.reshape(x_data.shape[0], -1)
    Pouvez-vous expliquer comment x_data.reshape((d1, d2*d3*4)) & x_data.remodeler(x_data.de la forme[0], -1) sont les mêmes?

    OriginalL'auteur lskrinjar

  3. 3

    Vous pouvez parcourir vos images tableau et aplatir chaque ligne indépendamment. 

    numImages = x_data.shape[0]
flattened = np.array([x_data[i].flatten() for i in range(0,numImages)])

    OriginalL'auteur James Evans