Como posso adicionar novas dimensões a uma matriz Numpy?

Estou começando com uma matriz numpy de uma imagem.

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

O formato é o que você espera de uma imagem RGB de 640x480.

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

No entanto, esta imagem que tenho é um quadro de um vídeo, que tem 100 quadros de comprimento. Idealmente, gostaria de ter uma única matriz que contenha todos os dados deste vídeo de forma que img.shaperetorne (480, 640, 3, 100).

Qual é a melhor maneira de adicionar o próximo quadro - isto é, o próximo conjunto de dados de imagem, outro array 480 x 640 x 3 - ao meu array inicial?

Você está perguntando como adicionar uma dimensão a uma matriz NumPy, de modo que essa dimensão possa ser aumentada para acomodar novos dados. Uma dimensão pode ser adicionada da seguinte forma:

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

Alternativamente para

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

na resposta de @dbliss , você também pode usar numpy.expand_dimscomo

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

Por exemplo (retirado do link acima):

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

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

Então

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

rendimentos

array([[1, 2]])

e

y.shape

dá

(1, 2)

Você pode simplesmente criar uma matriz do tamanho correto antecipadamente e preenchê-la:

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

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

se os quadros forem arquivos jpg individuais nomeados de alguma forma particular (no exemplo, frame_0.jpg, frame_1.jpg, etc).

Apenas uma nota, você pode considerar o uso de uma (nframes, 480,640,3)matriz em forma.

Pitônico

X = X[:, :, None]

que é equivalente a

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

Mas como você está perguntando explicitamente sobre o empilhamento de imagens, recomendo empilhar as listimagens np.stack([X1, X2, X3])que você possa ter coletado em um loop.

Se você não gosta da ordem das dimensões, você pode reorganizar com np.transpose()

Você pode usar np.concatenate()especificando qual axisanexar, usando np.newaxis:

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

Se você estiver lendo muitos arquivos:

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

Não existe uma estrutura em numpy que permita anexar mais dados posteriormente.

Em vez disso, numpy coloca todos os seus dados em um bloco contíguo de números (basicamente; uma matriz C), e qualquer redimensionamento requer a alocação de um novo bloco de memória para mantê-lo. A velocidade do Numpy vem de ser capaz de manter todos os dados em um array numpy no mesmo pedaço de memória; por exemplo, as operações matemáticas podem ser paralelizadas para velocidade e você obtém menos perdas de cache .

Portanto, você terá dois tipos de soluções:

1. Pré-aloque a memória para a matriz numpy e preencha os valores, como na resposta de JoshAdel, ou
2. Mantenha seus dados em uma lista Python normal até que seja realmente necessário colocá-los todos juntos (veja abaixo)

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

Observe que não há necessidade de expandir as dimensões das matrizes de imagens individuais primeiro, nem você precisa saber quantas imagens você espera com antecedência.

Considere a abordagem 1 com o método de reformulação e a abordagem 2 com o método np.newaxis que produzem o mesmo resultado:

#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)

Temos como resultado:

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]]]]

Eu segui esta abordagem:

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).