我试图做一些numpy矩阵数学运算，因为我需要从MATLAB复制repmat函数。我知道网上有上千个示例，但我似乎无法使其中的任何一个正常工作。
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，它是一个3维的numpy数组：[:,:,:]。它还期望一个包含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数组中行和列被交换（不是：x，y，而是：y，x）。
然后，newSize包含一个包含分数的元组，这些分数用于将输入图像调整为特定比例，并且sm成为输入图像的调整大小版本。这一切都很好。
下一行：
np.array([np.tile(sm[i,j,:], (len(sm[0]), len(sm[1]))) for k in xrange(len(sm[2]))])，
功能应等同于MATLAB表达式：
repmat(sm(j,i,:),[size(sm,1) size(sm,2)])，
为此，将尺寸为800x479x3的OpenCV2图像作为图像参数传递，并将（64，48 ）（元组）作为imSize参数传递。但是，当对此进行测试时，出现以下ValueError：
dmap = sm [：，：，：]-np.array（[np.tile（sm [i，j ,:]，（len（sm [0]），len（sm [1]）））） xrange（len（sm [2]））]）
ValueError：操作数无法与形状（48,64,3）（64,64,192）一起广播
因此，似乎数组尺寸不匹配，而numpy对此有问题。但是我的问题是什么？我该如何工作呢？
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]])
运行：
sm[:,:,:]-np.array([np.tile(sm[0,1,:], (2,2,1)) for k in xrange(3)])
但是它会生成一个（3,2,2,3）数组，并在第一个维度上进行复制。我认为您不希望出现这种k循环。
目的是什么？
for i in ...:
for j in ...:
data = ...
您只会从上次迭代中获得结果。你要data += ...吗？如果是这样，这可能会起作用（对于（N，M，K）形状的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
其实我什至不需要瓷砖。让广播来做这项工作：
np.sum(np.array([sm-sm[i,j,:] for i in xrange(N) for j in xrange(M)]),axis=0)
我可以使用摆脱循环repeat。
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于最后一种情况
x4 = np.sum(sm1-sm1[:,None,:], 0).reshape(N,M,L)
# = np.sum(sm1[None,:,:]-sm1[:,None,:], 0).reshape(N,M,L)
随着sm我要扩大（和和）2个维度：
x5 = np.sum(np.sum(sm[None,:,None,:,:]-sm[:,None,:,None,:],0),1)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句