2
votes

Convertir un tableau Numpy multidimensionnel en un tableau à 2 dimensions basé sur les valeurs de couleur

J'ai une image qui est lue comme un tableau uint8 avec la forme (512,512,3) . Maintenant, je voudrais convertir ce tableau en un tableau uint8 de forme (512,512,1) , où chaque valeur de pixel dans le troisième axe est convertie à partir d'une valeur de couleur [255,0,0 ] à une valeur d'étiquette de classe unique [3] , basée sur l'encodage de couleur / classe suivant:

1 : [0, 0, 0], 
 2 : [0, 0, 255], 
 3 : [255, 0, 0], 
 4 : [150, 30, 150], 
 5 : [255, 65, 255], 
 6 : [150, 80, 0], 
 7 : [170, 120, 65], 
 8 : [125, 125, 125], 
 9 : [255, 255, 0], 
 10 : [0, 255, 255], 
 11 : [255, 150, 0], 
 12 : [255, 225, 120], 
 13 : [255, 125, 125], 
 14 : [200, 100, 100], 
 15 : [0, 255, 0], 
 16 : [0, 150, 80], 
 17 : [215, 175, 125], 
 18 : [220, 180, 210], 
 19 : [125, 125, 255]

Quelle est la manière la plus efficace de faire ce? J'ai pensé à parcourir toutes les classes et à utiliser numpy.where , mais cela prend évidemment beaucoup de temps.

python arrays numpy image indexing

2 commentaires

que faire si la valeur de couleur dans une grande image n'est pas présente dans le tableau de classe?

Vous essayez effectivement de palettiser une image - regardez ici stackoverflow.com/a/57204807/2836621

3 Réponses :

2
votes

Vous pouvez utiliser une table de recherche géante. Soit cls [[0,0,0], [0,0,255], ...] de dtype = np.uint8 .

def scalarize(x):
    # compute x[...,2]*65536+x[...,1]*256+x[...,0] in efficient way
    y = x[...,2].astype('u4')
    y <<= 8
    y +=x[...,1]
    y <<= 8
    y += x[...,0]
    return y
LUT = np.zeros(2**24, dtype='u1')
LUT[scalarize(cls)] = 1 + np.arange(cls.shape[0])
simg = scalarize(img)
img_to_cls = LUT[simg]

1 commentaires

Cette scalarize ressemble à un ajout intelligent.

2
votes

En voici une basée sur des vues -

In [100]: # Mapping array
     ...: maps = np.array([[0, 0, 0],[0, 0, 255],\
     ...:                  [255, 0, 0],[150, 30, 150]],dtype=np.uint8)
     ...: 
     ...: # Setup random image array
     ...: idx = np.array([[0,2,1,3],[1,3,2,0]])
     ...: img = maps[idx]

In [101]: img2label(img, maps) # should retrieve back idx
Out[101]: 
array([[0, 2, 1, 3],
       [1, 3, 2, 0]])

Étant donné que vos libellés commencent à 1 , vous voudrez peut-être ajouter 1 à la sortie.

Exemple d'exécution -

# https://stackoverflow.com/a/45313353/ @Divakar
def view1D(a, b): # a, b are arrays
    # This function gets 1D view into 2D input arrays
    a = np.ascontiguousarray(a)
    b = np.ascontiguousarray(b)
    void_dt = np.dtype((np.void, a.dtype.itemsize * a.shape[-1]))
    return a.view(void_dt).ravel(),  b.view(void_dt).ravel()

def img2label(a, maps):
    # Get one-dimension reduced view into input image and map arrays.
    # We need to reshape image to 2D, then feed it to view1D to get 1D
    # outputs and then reshape 1D image to 2D 
    A,B = view1D(a.reshape(-1,a.shape[-1]),maps)
    A = A.reshape(a.shape[:2])

    # Trace back positions of A in B using searchsorted. This gives us
    # original order, which is the final output.
    sidx = B.argsort()
    return sidx[np.searchsorted(B,A,sorter=sidx)]

2 commentaires

Pourriez-vous ajouter quelques commentaires supplémentaires sur la façon dont cela fonctionne?

@KarlKnechtel Ajout d'une explication.

2
votes

Une manière: créez séparément les tableaux booléens avec des valeurs True où la valeur de pixel de l'entrée correspond à l'une des valeurs de la palette, puis utilisez l'arithmétique pour les combiner. Ainsi:

palette = [
    [0, 0, 0], 
    [0, 0, 255], 
    [255, 0, 0],
    # etc.
]

def palettized(data, palette):
    # Initialize result array
    shape = list(data.shape)
    shape[-1] = 1
    result = np.zeros(shape)
    # Loop and add each palette index component.
    for value, colour in enumerate(palette, 1):
        result += (data == colour).all(axis=2) * value
    return result

0 commentaires