不知道大家有没有一种感觉，每次当使用numpy数组的时候坐标轴总是傻傻分不清楚，然后就会十分的困惑，每次运算都需要去尝试好久才能得出想要的结果。这里我们来简单解释一下numpy中一维，二维，三维数组的坐标轴问题。
 首先我们讨论一维的情况，代码如下：
 
import numpy as np


class Debug:
    def __init__(self):
        self.array1 = np.array([0, 1, 2])
        self.array2 = np.array([[0], [1], [2]])

    def mainProgram(self):
        print("The value of array1 is: ")
        print(self.array1)
        print("The shape of array1 is: ")
        print(self.array1.shape)
        print("The value of array2 is: ")
        print(self.array2)
        print("The shape of array2 is: ")
        print(self.array2.shape)


if __name__ == '__main__':
    main = Debug()
    main.mainProgram()
"""
The value of array1 is: 
[0 1 2]
The shape of array1 is: 
(3,)
The value of array2 is: 
[[0]
 [1]
 [2]]
The shape of array2 is: 
(3, 1)
"""
 
从上面的结果我们可以看到，一维横数组沿着横向排列，我们可以认定为x轴向，它的数组大小为(3,)，一维列数组沿着纵向排列，我们可以认为是y轴方向，它的大小为(3, 1)，我们可以从左向右，看出第二个参数代表的是横向上的参数个数，第一个参数代表的是纵向上的参数个数，因此我们可以将横向数组的大小(3,)理解为(,3)更为合适。
 
接下来我们研究一下二维数组，哪个参数对应的是横坐标，哪个参数对应的是纵坐标。
 代码如下：
 
import numpy as np


class Debug:
    def __init__(self):
        self.array1 = np.ones((2, 3))
        self.array2 = np.ones((3, 2))

    def mainProgram(self):
        print("The value of array1 is: ")
        print(self.array1)
         print("The shape of array1 is: ")
        print(self.array1.shape)
        print("The value of array2 is: ")
        print(self.array2)
        print("The shape of array2 is: ")
        print(self.array2.shape)


if __name__ == '__main__':
    main = Debug()
    main.mainProgram()

"""
The value of array1 is: 
[[1. 1. 1.]
 [1. 1. 1.]]
The shape of array1 is: 
(2, 3)
The value of array2 is: 
[[1. 1.]
 [1. 1.]
 [1. 1.]]
The shape of array2 is: 
(3, 2)
"""
 
从上面的结果我们可以看出，从左向右，第一个参数代表的是(row), 第二个参数代表的是列(column)。我们知道numpy中默认的是笛卡尔坐标系，所以横向为x，纵向为y，具体的请看坐标系(超链接点击跳转查看)。所以对self.array1来说，定义时输入的数组大小的(2, 3)代表沿着x轴拥有3个值，沿着y轴拥有2个值。对比上述得到的结果与我们在一维情况中推断得到的结果，证明我们的理解是正确的。
 
接着我们讨论三维的情况：代码如下：
 
import numpy as np


class Debug:
    def __init__(self):
        self.array1 = np.ones((2, 3, 4))

    def mainProgram(self):
        print("The value of array1 is: ")
        print(self.array1)
        print("The shape of array1 is: ")
        print(self.array1.shape)


if __name__ == '__main__':
    main = Debug()
    main.mainProgram()


"""
The value of array1 is: 
[[[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]]
The shape of array1 is: 
(2, 3, 4)
"""
 
不难发现，沿着x轴方向拥有4个值，沿着y轴方向拥有3个值，沿着z轴方向拥有2个值。
 
综上所述，在numpy数组中，定义三维数组时，从左向右， 第一个参数为z轴，第二个参数为y轴，第三个参数为x轴。 对于各个坐标轴在空间中的朝向问题，建议阅读numpy数组坐标轴。之后我们会进一步探讨numpy模块中的其他与坐标轴相关的函数。
 
如果大家觉得有用，请高抬贵手给一个赞让我上推荐让更多的人看到吧~

正向表达 : 作用 构建图像
 
例如 a[x][y]=
 
即在此点有元素
 
反向表达
 
例如 a[n][2] = 
 
即第n个元素的坐标为

String.fromCharCode(98 + index),
 
从98开始  对应 a
 
99 => b
 
100 => c

图像数组表示
 
Numpy:Python科学计算工具包，其中包含了大量有用的思想，比如数组对象（用来表示向量、矩阵、图像等）以及线性代数函数。数组对象可以帮助实现数组中的重要操作，比如矩阵乘积、转置、解方程系统、向量乘积和归一化，这为图像变形、对变换进行建模、图像分类、图像聚类等提供了基础。
 
 


 
文章目录
 
图像数组表示
图像数组表示
访问数组中的元素
灰度变换
图像缩放
  
直方图均衡化
np.zeros()函数
image.shape
cv2.imread()
cv2.copyMakeBorder()函数
  
 

 
 
图像数组表示
 
载入图象时，调用array()方法将图像转换成Numpy的数组对象，数组对象是多维的，可以用来表示向量、矩阵和图像。数组中的所有元素必须具有相同的数据类型，除非创建数据对象时指定数据类型，否则数据类型会按照数据的类型自动确定。
 
im = array(Image.open('empire.jpg'))
print im.shape, im.dtype

im = array(Image.open('empire.jpg').convert('L'), 'f')
print im.shape, im.dtype
 
以下为控制台输出结果：
 
(800, 569, 3) uint8 
# 第一个元组表示图像数组的大小（行、列、颜色通道）uint8：数组元素的数据类型，图像通常被编码成无符号八位整数（uint8）
(800, 569) float32
 
说明：第一种情况，载入图像并将其转换到数组中，数组的数据类型为“uint8”，第二种情况，对图像进行灰度化处理，并在创建数组时使用额外的参数“f”，将数据类型转换为浮点型。
 灰度图像没有颜色信息，在形状数组中，只有两个数值。
 
访问数组中的元素
 
value = im[i, j, k] # 访问 位于坐标i, j, 以及颜色通道K的像素值
# 数组切片方式访问多个数组元素
# 切片方式返回的是以指定间隔下标访问该数组的元素值
im[i, :] = im[j, :] # 将第j行的所有数值赋值给第i行
im[:, i] = 100 # 将第i列的所有数值设为100
im[:100, :50].sum() # 计算前100行、前50列所有数值的和
im[i].mean() # 第i行所有数值的平均值
im[:, -1] # 最后一列
im[-2, :] # 倒数第二行

# 如果仅使用一个下标, 则该下标为行下标
 
灰度变换
 
图像读入Numpy数组对象后，可以对其执行任意数学操作。
 例如灰度变换
 
from PIL import Image
from numpy import *
im = array(Image.open('empire.jpg').convert('L'))
im2 = 255 - im # 对图像进行反相处理
im3 = (100.0/255)*im + 100 # 对图像像素值变换到100...200区间
im4 = 255.0 * (im/255.0)**2 # 对图像像素值求平方后得到的图像
# 即对图像进行二次函数变换, 使较暗的像素值变得更小
 
array()变换的相反操作可以使用PIL的fromarray()函数完成
 
pil_im = Image.fromarray(im)
 
在创建PIL图像之前需要将数据类型从其他数据类型转换为(uint8)转换回来。
 
图像缩放
 
对图像进行缩放处理没有现成简单的方法，Numpy的数组对象是我们处理图像和数据的主要工具。
 可以使用PIL对图像对象转换的操作，写一个用于图像缩放的函数
 
def imresize(im, sz):
    """使用PIL对象重新定义图像数组的大小"""
    pil_im = Image.fromarray(uint8(im))

    return array(pil_im.resize(sz))
 
直方图均衡化
 
直方图均衡化：将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。
 在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。
 在 该情况下，直方图均衡化的变换图像是图像中像素值的累积分布函数（cdf）即 将像素值的范围映射到目标范围的归一化操作。
 
def histeq(im, nbr_bins = 256):
    """对一幅灰度图像进行直方图均衡化"""

    # 计算图像的直方图
    imhist, bins = histogram(im.flatten(), nbr_bins, normed = True)
    cdf = imhist.cumsum() # 累积分布函数
    cdf = 255*cdf / cdf[-1] # 归一化到 0...1 范围
    # 使用累积分布函数的线性插值， 计算新的像素值
    im2 = interp(im.flatten(), bins[: -1], cdf)
    return im2.reshape(im.shape),cdf
 
np.zeros()函数
 
返回来一个给定形状和类型的用0填充的数组；
 zeros(shape, dtype=float, order=‘C’)
 shape:形状
 dtype:数据类型，可选参数，默认numpy.float64
 order:可选参数，c代表与c语言类似，行优先；F代表列优先
 
import numpy as np

print(np.zeros((2,5)))
 
输出：
 2行5列的矩阵
 
 
print(np.zeros((2,5),dtype= np.int))
 
输出
 
 
image.shape
 
图像的数据结构
 当用img = cv2.imread(‘pic.png’)的时候：
 用img.shape返回的是: (height, width, channel)
 height: 图片的垂直尺寸
 width: 图片的水平尺寸
 channel: 图片的通道数
 
 
cv2.imread()
 
Mat cv::imread(const string& filename,int flags=IMREAD_COLOR);
 
 
 
IMREAD_UNCHANGED = -1, //返回包含alpha通道的加载图像
 IMREAD_GRAYSCALE = 0, //返回一个灰度图像
 IMREAD_COLOR = 1, //返回一个BGR通道的图像
 IMREAD_ANYDEPTH = 2, //当输入具有相应的深度时返回16位/ 32位图像，否则将其转换为8位。.
 IMREAD_ANYCOLOR = 4, //则以任何可能的颜色格式读取图像。
 IMREAD_LOAD_GDAL = 8, //使用GDAL的驱动加载图像。
 IMREAD_REDUCED_GRAYSCALE_2 = 16, //将图像转换为单通道灰度图像，图像大小减少1/2。
 IMREAD_REDUCED_COLOR_2 = 17, //转换图像的3通道BGR彩色图像和图像的大小减少1/2。
 IMREAD_REDUCED_GRAYSCALE_4 = 32, //将图像转换为单通道灰度图像，图像大小减少1/4。
 IMREAD_REDUCED_COLOR_4 = 33, //转换图像的3通道BGR彩色图像和图像的大小减少1/4。
 IMREAD_REDUCED_GRAYSCALE_8 = 64, //将图像转换为单通道灰度图像，图像大小减少1/8。
 IMREAD_REDUCED_COLOR_8 = 65, //转换图像的3通道BGR色彩图像和图像大小减少1/8。
 IMREAD_IGNORE_ORIENTATION = 128 //不旋转图像根据EXIF的定位标志。
 
 
cv2.copyMakeBorder()函数
 
copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]])
 
 
 
src ： 输入的图片 top, bottom, left, right ：相应方向上的边框宽度
 borderType：定义要添加边框的类型，它可以是以下的一种：
 cv2.BORDER_CONSTANT：添加的边界框像素值为常数（需要额外再给定一个参数）
 cv2.BORDER_REFLECT：添加的边框像素将是边界元素的镜面反射，类似于gfedcb|abcdefgh|gfedcba
 cv2.BORDER_REFLECT_101 or cv2.BORDER_DEFAULT：和上面类似，但是有一些细微的不同，类似于gfedcb|abcdefgh|gfedcba
 cv2.BORDER_REPLICATE：使用最边界的像素值代替，类似于aaaaaa|abcdefgh|hhhhhhh
 cv2.BORDER_WRAP：不知道怎么解释，直接看吧， cdefgh|abcdefgh|abcdefg
 value：如果borderType为cv2.BORDER_CONSTANT时需要填充的常数值。