使用numpy

Question

是否有更惯用的方式来显示图像网格，如下例所示？

import numpy as np

def gallery(array, ncols=3):
    nrows = np.math.ceil(len(array)/float(ncols))
    cell_w = array.shape[2]
    cell_h = array.shape[1]
    channels = array.shape[3]
    result = np.zeros((cell_h*nrows, cell_w*ncols, channels), dtype=array.dtype)
    for i in range(0, nrows):
        for j in range(0, ncols):
            result[i*cell_h:(i+1)*cell_h, j*cell_w:(j+1)*cell_w, :] = array[i*ncols+j]
    return result

我尝试使用hstack和reshape等，但无法获得正确的行为。

我有兴趣使用numpy来执行此操作，因为使用matplotlib调用subplot和imshow可以绘制的图片数量有限。

如果您需要测试样本数据，可以像以下一样使用网络摄像头：

import cv2
import matplotlib.pyplot as plt
_, img = cv2.VideoCapture(0).read()

plt.imshow(gallery(np.array([img]*6)))

Answer 1

import numpy as np
import matplotlib.pyplot as plt

def gallery(array, ncols=3):
    nindex, height, width, intensity = array.shape
    nrows = nindex//ncols
    assert nindex == nrows*ncols
    # want result.shape = (height*nrows, width*ncols, intensity)
    result = (array.reshape(nrows, ncols, height, width, intensity)
              .swapaxes(1,2)
              .reshape(height*nrows, width*ncols, intensity))
    return result

def make_array():
    from PIL import Image
    return np.array([np.asarray(Image.open('face.png').convert('RGB'))]*12)

array = make_array()
result = gallery(array)
plt.imshow(result)
plt.show()

的产率

我们有一个形状(nrows*ncols, height, weight, intensity)的数组。 我们想要一个形状(height*nrows, width*ncols, intensity)的数组。

所以这里的想法是首先使用reshape将第一个轴分成两个轴，一个长度为nrows，另一个长度为ncols：

array.reshape(nrows, ncols, height, width, intensity)

这允许我们使用swapaxes(1,2)对轴重新排序，以便形状变为 (nrows, height, ncols, weight, intensity)。请注意，这会将nrows放在height旁边，ncols放在width旁边。

自数据reshape does not change the raveled order起，reshape(height*nrows, width*ncols, intensity)现在生成所需的数组。

这（在精神上）与unblockshaped function中使用的想法相同。

Answer 2

另一种方法是使用view_as_blocks。然后你避免手动交换轴：

from skimage.util import view_as_blocks
import numpy as np

def refactor(im_in,ncols=3):
    n,h,w,c = im_in.shape
    dn = (-n)%ncols # trailing images
    im_out = (np.empty((n+dn)*h*w*c,im_in.dtype)
           .reshape(-1,w*ncols,c))
    view=view_as_blocks(im_out,(h,w,c))
    for k,im in enumerate( list(im_in) + dn*[0] ):
        view[k//ncols,k%ncols,0] = im 
    return im_out

Answer 3

此答案基于@unutbu的答案，但这涉及HWC有序张量。此外，对于未在给定的行/列中均匀分解的任何通道，它会显示黑色图块。

def tile(arr, nrows, ncols):
    """
    Args:
        arr: HWC format array
        nrows: number of tiled rows
        ncols: number of tiled columns
    """
    h, w, c = arr.shape
    out_height = nrows * h
    out_width = ncols * w
    chw = np.moveaxis(arr, (0, 1, 2), (1, 2, 0))

    if c < nrows * ncols:
        chw = chw.reshape(-1).copy()
        chw.resize(nrows * ncols * h * w)

    return (chw
        .reshape(nrows, ncols, h, w)
        .swapaxes(1, 2)
        .reshape(out_height, out_width))

以下是与之相反的 detiling 函数：

def detile(arr, nrows, ncols, c, h, w):
    """
    Args:
        arr: tiled array
        nrows: number of tiled rows
        ncols: number of tiled columns
        c: channels (number of tiles to keep)
        h: height of tile
        w: width of tile
    """
    chw = (arr
        .reshape(nrows, h, ncols, w)
        .swapaxes(1, 2)
        .reshape(-1)[:c*h*w]
        .reshape(c, h, w))

    return np.moveaxis(chw, (0, 1, 2), (2, 0, 1)).reshape(h, w, c)