Python库之numpy库

numpy库处理的是最起初数据类型是由同种元素构成的多维数组，也就是所谓的数组。数组中的所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。

数组类型的维度叫做轴（axes），轴的个数叫做秩（rank）。例如，一维数组的秩为1，二维数组的秩为2。

通常用import numpy as np引入numpy库，以免混淆

一、numpy介绍

• numpy库常用创建数组函数有以下7个

函数	描述
np.array([x, y, z], dtype = int)	从python列表和元组创建数组
np.arange(x, y, i)	创建一个由x到y，步长为i的数组
np.linspace(x, y, n)	创建一个由x到y，等分成n个元素的数组
np.indices((m, n))	创建一个m行n列的矩阵
np.random.rand(m, n)	创建一个m行n列的随机数组
np.ones((m, n), dtype)	创建一个m行n列全1的数组，dtype是数据类型
np.empty((m, n), dtype)	创建一个m行n列全0的数组，dtype是数据类型

>>>import numpy as np
>>>a = np.ones((4,5))
>>>a
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

• 在创建好数组后，通过以下方法查看基本属性

属性	描述
ndarray.ndim	数组轴的个数
ndarry.shape	数组在每个维度上大小的整数元祖
ndarray.size	数组元素的总个数
ndarray.dtype	数组元素的数据类型，dtype类型可以用于创建数组
ndarray.itemsize	数组中每个元素的字节大小
ndarray.data	包含实际数组元素的缓冲区地址
ndarray.flat	数组元素的迭代器

>>>a.ndim
2
>>>a.shape
(4, 5)
>>>a.size
20
>>>a.dtype
dtype('float64')
>>>a.itemsize
8
>>>a.data

>>>a.flat

• 改变数组基础形态的操作方法

数组在numpy中被当做对象，可以采用以下方法进行操作。（其中flatten()用于数组降维，在矩阵运算及图像处理中用处很大）

方法	描述
ndarray.reshape(n, m)	不改变数组ndarray,返回一个维度为(n, m)的数组
ndarray.resize(new_size)	与reshape()作用相同，直接修改数组ndarray
ndarray.swapaxes(ax1, ax2)	将数组n个维度中任意两个维度进行调换
ndarray.flatten()	对数组进行降维，返回一个折叠后的一维数组
ndarray.ravel()	作用同flatten()相同，但是返回的是一个数组的视图

>>>a.ravel()
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1.])

• numpy类的索引和切片

数组切片得到的是原始数组的视图，所有修改都会直接反映到源数组

方法	描述
x[i]	索引第i个元素
x[-i]	从后向前索引第i个元素
x[n:m]	默认步长为1，从前往后索引，不包含m
x[-m:-n]	默认步长为1，从后往前索引，结束位置为n
x[n:m :i]	指定i步长的由n到m的索引

>>>b = np.random.rand(5,3);b
array([[0.59532428, 0.72198343, 0.31319579],
       [0.53958629, 0.01385479, 0.35459807],
       [0.06605026, 0.78682018, 0.16177456],
       [0.37520112, 0.93865079, 0.9332923 ],
       [0.97885532, 0.06937877, 0.925661  ]])
>>>b[2]
array([0.06605026, 0.78682018, 0.16177456])
>>>b[1:3]
array([[0.53958629, 0.01385479, 0.35459807],
       [0.06605026, 0.78682018, 0.16177456]])

• numpy的算术及比较运算函数

numpy的算术运算函数有以下8个

函数	描述
np.add(x1, x2, [,y])	y = x1 + x2
np.subtract(x1, x2, [,y])	y = x1 - x2
np.multiply(x1, x2, [,y])	y = x1 * x2
np.divide(x1, x2, [,y])	y = x1 / x2
np.floor_divide(x1, x2, [,y])	y = x1 // x2
np.negative(x, [,y]	y = -x
np.power(x1, x2, [,y])	y = x1 ** x2
np.remainder(x1, x2, [,y])	y = x1 % x2

numpy的比较运算函数有以下7个

函数	描述
np.equal(x1, x2, [,y])	y = x1 == x2
np.not_equal(x1, x2, [,y])	y = x1 != x2
np.less(x1, x2, [,y])	y = x1 < x2
np.less_equal(x1, x2, [,y])	y = x1 <= x2
np.greater(x1, x2, [,y])	y = x1 > x2
np.greater_equal(x1, x2, [,y])	y = x1 >= x2
np.where(condition[x, y])	根据给出的条件判断输出x还是y

• numpy还有其他一些实用的函数

函数	描述
np.abs(x)	计算基于元素的整型、浮点型或复数的绝对值
np.sqrt(x)	计算每个元素的平方根
np.squre(x)	计算每个元素的平方
np.sign(x)	计算每个元素的符号：1（+）、0、-1（-）
np.ceil(x)	计算大于或等于每个元素的最小值
np.floor(x)	计算小于或等于每个元素的最大值
np.rint(x, [,out])	圆整、取每个元素为最近的整数，保留数据类型
np.exp(x, [,out])	计算每个元素的指数值
np.log(x), np.log10(x), np.log2(x)	计算自然对数（e），基于10/2的对数

二、实例操作

下面将numpy与之前的PIL结合来提取图像特征形成手绘效果

• 图像的基本处理

>>>from PIL import Image
>>>import numpy as np
>>>im = np.array(Image.open(r'C:\Users\acer\Desktop\flash.jpg'))#加载图像并转换成数组对象
>>>print(im.shape, im.dtype)
(553, 960, 3) uint8

其中（553，960，3）分别表示长度、宽度（单位是像素）以及RGB值

>>>im = np.array(Image.open(r'C:\Users\acer\Desktop\flash.jpg').convert('L'))
>>>print(im.shape, im.dtype)
(553, 960) uint8

通过convert()将图片转换成带有灰度的黑白色，ndarray也变为二维数据

>>>im0 = np.array(Image.open(r'C:\Users\acer\Desktop\flash.jpg').convert('L'))
>>>im1 = 255 - im0 #反变换
>>>im2 = (100/255)*im0 + 150 #区间变换
>>>im3 = 255 * (im1/255) ** 2 #像素平方处理
>>>pil_im1 = Image.fromarray(np.uint(im1))
>>>pil_im2 = Image.fromarray(np.uint(im2))
>>>pil_im3 = Image.fromarray(np.uint(im3))#分别对im1、im2、im3执行
>>>pil_im1.show()
>>>pil_im2.show()
>>>pil_im3.show()

效果图：（左上为原图）

• 手绘效果处理

为了实现手绘风格，首先需要读取原图像的明暗变化。通常可以使用梯度计算来提取图像轮廓，在numpy中即使用gradient()函数

附上代码

from PIL import Image
import numpy as np
vec_el = np.pi/2.2                   #光源的俯视角度，弧度值
vec_az = np.pi/4.                    #光源的方位角度，弧度值
depth = 10.                             #（0-100）
im = Image.open(r'C:\Users\acer\Desktop\flash.jpg').convert('L')
a = np.asarray(im).astype('float')
grad = np.gradient(a)                #取图像灰度的梯度值
grad_x, grad_y = grad                #分别取横纵图像梯度值
grad_x = grad_x * depth / 100.
grad_y = grad_y * depth / 100.
dx = np.cos(vec_el) * np.cos(vec_az) #光源对x轴的影响
dy = np.cos(vec_el) * np.sin(vec_az) #光源对y轴的影响
dz = np.sin(vec_el)                  #光源对z轴的影响
A = np.sqrt(grad_x ** 2 + grad_y ** 2 + 1.)
uni_x = grad_x / A
uni_y = grad_y / A
uni_z = 1. / A
a2 = 255 * (dx*uni_x + dy*uni_y +dz*uni_z)  #光源归一化
a2 = a2.clip(0, 255)
im2 = Image.fromarray(a2.astype('uint8'))   #重构图像
im2.save(r'C:\Users\acer\Desktop\flashHandDraw.jpg')

在上述代码中，利用梯度重构图像时，对应不同梯度取0~255之间不同的灰度值，depth的作用在于调节这个对应关系。当depth较小时，背景区接近白色，显示轮廓描绘；当depth较大时，整体画面灰度值较深，显示浮雕效果

最后附上图片效果
原图：

效果图1（depth = 10）：

效果图2（depth = 40）：