Question

我正在尝试做一些numpy矩阵数学，因为我需要从MATLAB复制repmat函数。我知道网上有一千个例子，但我似乎无法让他们中的任何一个工作。

以下是我尝试运行的代码：

def getDMap(image, mapSize):
    newSize = (float(mapSize[0]) / float(image.shape[1]), float(mapSize[1]) / float(image.shape[0]))
    sm = cv.resize(image, (0,0), fx=newSize[0], fy=newSize[1])
    for j in range(0, sm.shape[1]):
        for i in range(0, sm.shape[0]):
            dmap = sm[:,:,:]-np.array([np.tile(sm[j,i,:], (len(sm[0]), len(sm[1]))) for k in xrange(len(sm[2]))])
    return dmap

函数getDMap（image，mapSize）需要一个OpenCV2 HSV图像作为其图像参数，这是一个具有3维维度的numpy数组：[:,:,:]。它还期望一个带有2个元素的元组作为其 imSize 参数，当然要确保传递参数的函数考虑到在numpy数组中行和列交换（不：x，y，但：y，x）。

然后

newSize 包含一个元组，其中包含用于将输入图像调整为特定比例的分数， sm 成为输入图像的调整大小版本。一切正常。

这是我的目标：

以下一行：

np.array([np.tile(sm[i,j,:], (len(sm[0]), len(sm[1]))) for k in xrange(len(sm[2]))])，

应该等效于MATLAB表达式：

repmat(sm(j,i,:),[size(sm,1) size(sm,2)])，

这是我的问题：

测试一下，尺寸 800x479x3 的OpenCV2图像作为图像参数传递，（64,48）（一个元组）作为 imSize 参数传递。但是在测试时，我得到以下 ValueError：

dmap = sm [：，：，]： - np.array（[np.tile（sm [i，j，：]，（len（sm [0]），   len（sm [1]）））for x in xrange（len（sm [2]））]）
  ValueError：无法与操作数一起广播   形状（48,64,3）（64,64,192）

所以似乎数组维度不匹配，numpy有问题。但我的问题是什么？我该如何使用呢？

Answer 1

len(sm[0])和len(sm[1])不是sm的第一维和第二维的大小。它们是sm的第一行和第二行的长度，并且都应返回相同的值。您可能希望将它们替换为sm.shape[0]和sm.shape[1]，它们等同于您的Matlab代码，但我不确定它是否会像您期望的那样工作。

Answer 2

这两个计算匹配：

octave:26> sm=reshape(1:12,2,2,3)
octave:27> x=repmat(sm(1,2,:),[size(sm,1) size(sm,2)])
octave:28> x(:,:,2)
   7   7
   7   7


In [45]: sm=np.arange(1,13).reshape(2,2,3,order='F')
In [46]: x=np.tile(sm[0,1,:],[sm.shape[0],sm.shape[1],1])
In [47]: x[:,:,1]
Out[47]: 
array([[7, 7],
       [7, 7]])

这运行：

 sm[:,:,:]-np.array([np.tile(sm[0,1,:], (2,2,1)) for k in xrange(3)])

但它产生一个（3,2,2,3）数组，在第一维上复制。我不认为你想要k循环。

意图是什么？

 for i in ...:
     for j in ...:
         data = ...

您只会获得上次迭代的结果。你想要data += ...吗？如果是这样，这可能有效（对于（N，M，K）形状sm）

np.sum(np.array([sm-np.tile(sm[i,j,:], (N,M,1)) for i in xrange(N) for j in xrange(M)]),axis=0)

z = np.array([np.tile(sm[i,j,:], (N,M,1)) for i in xrange(N) for j in xrange(M)]),axis=0)
np.sum(sm - z, axis=0)  # let numpy broadcast sm

实际上我甚至不需要瓷砖。让广播做这项工作：

 np.sum(np.array([sm-sm[i,j,:] for i in xrange(N) for j in xrange(M)]),axis=0)

我可以用repeat摆脱循环。

sm1 = sm.reshape(N*M,L)  # combine 1st 2 dim to simplify repeat
z1 = np.repeat(sm1, N*M, axis=0).reshape(N*M,N*M,L)
x1 = np.sum(sm1 - z1, axis=0).reshape(N,M,L)

我也可以将广播应用到最后一个案例

x4 = np.sum(sm1-sm1[:,None,:], 0).reshape(N,M,L)
# = np.sum(sm1[None,:,:]-sm1[:,None,:], 0).reshape(N,M,L)

使用sm我必须扩展（和求和）2维：

x5 = np.sum(np.sum(sm[None,:,None,:,:]-sm[:,None,:,None,:],0),1)

尽管在线有很多例子，但我无法让我的MATLAB repmat等效于python

以下是我尝试运行的代码：

这是我的目标：

这是我的问题：

2 个答案: