如何将数组值0和255转换为对应的0和1数组

Question

我有一个图像表示为numpy数组，其值为0和255（范围内没有其他值）。将它转换为0和1数组的最佳方法是什么。

Answer 1

my_array = np.array([255,255,0,0])
my_array = my_array / 255

将输出

array([ 1., 1., 0., 0.])

换句话说，它不会对0-255范围内的所有值进行标准化（即使你说它是唯一的2个值，它也适用于介于两者之间的所有值，同时保持比率）

Answer 2

听起来像是numpy.clip的工作：

>>> a = np.array([0, 255, 0, 255, 255, 0])
>>> a.clip(max=1)
array([0, 1, 0, 1, 1, 0])

来自文档：

  

给定间隔，区间外的值将被剪切到间隔边。例如，如果指定了[0,1]的间隔，则小于0的值将变为0，而大于1的值将变为1.

Answer 3

您可以屏蔽（使用>0或==255或其他任何内容），然后转换为int类型：

npa = np.array([0,255,0,255,255,255,0])
npa
array([  0, 255,   0, 255, 255, 255,   0])


(npa>0).astype('int')
array([0, 1, 0, 1, 1, 1, 0])

Answer 4

因为有很多答案可以给出正确的答案，所以我只想测试不同的方法，并根据计算成本确定哪种方法最好。我写了下面的代码，创建一个给定的数据集，这是一个0和255值的图像，随机放置，然后我研究每个提出的算法的平均经过时间，改变图像的像素数（注意我使用均值来降低测量中的噪声）：

import numpy as np
import time

times1_all = [] 
times2_all = []
times3_all = []


for i in xrange(20):
    times1 = []
    times2 = []
    times3 = []

    xsizes = np.arange(100,10000,500)
    print len(xsizes)
    for xsize in xsizes:
        #Create the dataset                                                                                                                                                                                                                                                     
        ysize = xsize
        xrand = np.random.randint(0,xsize, xsize)
        yrand = np.random.randint(0,ysize, xsize)
        a = np.zeros([xsize,ysize])
        a[xrand, yrand] = 255

        start = time.time()
        b = (a == 255).astype('int')
        stop = time.time()
        time1 = stop-start

        start = time.time()
        b = a/255
        stop = time.time()
        time2 = stop-start

        start = time.time()
        b = a.clip(max=1)
        stop = time.time()
        time3 = stop-start
        print time3

        times1.append(time1)
        times2.append(time2)
        times3.append(time3)
        print 'Elapsed times --> (1)/(1)=%.2f, (2)/(1)=%.2f, (3)/(1)=%.2f' %(time1/time1,time2/time1,time3/time1)

    times1_all.append(times1)
    times2_all.append(times2)
    times3_all.append(times3)

times1_mean = np.mean(times1_all, axis=0)
times2_mean = np.mean(times2_all, axis=0)
times3_mean = np.mean(times3_all, axis=0)

该测试的结果显示在下图中，其显示了作为图像像素数的函数的不同算法的经过时间（我仅引用x轴中像素的边数）。正如所料，图像越大，完成工作所需的时间越长。但是，很明显算法之间存在系统差异。对于任意数量的像素，@ randomir和@Ofer提出的算法的性能优于@ user1717828提出的算法。所以，根据这个指标，@ Ofer和$ randomir是等价的。