Python +numpy数组膨胀(填充)方法总结

04篇--形态学变换(腐蚀与膨胀) 核的概念、腐蚀与膨胀 阅读详情

本文主要介绍数组的各种填充方法,包括数组按照原值复制扩大并填充,数组的扩大填充,数组边缘填充等。

1.数组的复制膨胀

形如二维数组:

[[1 2]

[3 4]]

膨胀为:

[[1 1 1 2 2 2]
 [1 1 1 2 2 2]
 [1 1 1 2 2 2]
 [3 3 3 4 4 4]
 [3 3 3 4 4 4]
 [3 3 3 4 4 4]]

实现方法:

array=np.array([[1,2],[3,4]])
array2=np.kron(array, np.ones((2, 2), dtype=array.dtype))

2.数组的填充

Python编程中,当我们经常需要为数组进行填充时,numpy的np.pad函数提供了一个快速、高效的方法。

基本语法:

numpy.pad(array, pad_width, mode, **kwargs)

各参数的含义如下:

  • array:需要填充的数组
  • pad_width:填充的宽度,可以是单个整数、单个整数元组、或者是多个整数元组
  • mode:填充模式,可以是常数、symmetric等

下面我们来进行测试:

2.1 一维数组填充

 首先使用一维数组测试,代码如下:

array = np.array([1, 2, 3, 4, 5,6,7])
array2 = np.pad(a, (0, 5), 'constant', constant_values=(0, 0))

运行结果:array2 [1 2 3 4 5 6 7 0 0 0 0 0]

改为一下参数:

array2 = np.pad(array, (2, 5), 'constant', constant_values=(0, 0))

运行结果:array2 [0 0 1 2 3 4 5 6 7 0 0 0 0 0]  前面填充两个0,后面填充5个0.

前面填充8,后面填充9:

array2 = np.pad(array, (2, 5), 'constant', constant_values=(8, 9))

运行结果:array2 [8 8 1 2 3 4 5 6 7 9 9 9 9 9]

2.2 二维数组填充 

 示例:

array=np.array([[1,2,3],[4,5,6],[7,8,9]])
array2 = np.pad(array, ((2, 5),(2, 5)), 'constant', constant_values=(8, 9))
print('array2',array2)

运行结果:

array2

[[8 8 8 8 8 9 9 9 9 9]
 [8 8 8 8 8 9 9 9 9 9]
 [8 8 1 2 3 9 9 9 9 9]
 [8 8 4 5 6 9 9 9 9 9]
 [8 8 7 8 9 9 9 9 9 9]
 [8 8 9 9 9 9 9 9 9 9]
 [8 8 9 9 9 9 9 9 9 9]
 [8 8 9 9 9 9 9 9 9 9]
 [8 8 9 9 9 9 9 9 9 9]
 [8 8 9 9 9 9 9 9 9 9]]

2.3 其他方式填充,边缘填充

除了常数模式之外,np.pad函数还支持其他几种填充模式,例如:

  • symmetric:对称填充,填充部分是源数组的镜像
  • edge:边缘填充,以数组的边缘元素进行填充
  • minimum/maximum:最小值/最大值填充,将数组填充至源数组的最小值或最大值

我们也可以结合使用多种填充模式,例如进行边缘填充:

array=np.array([[1,2,3],[4,5,6],[7,8,9]])
array2 = np.pad(array, ((2, 2),(2, 2)), mode='edge')
print('array2',array2)

 运行结果:array2

[[1 1 1 2 3 3 3]
 [1 1 1 2 3 3 3]
 [1 1 1 2 3 3 3]
 [4 4 4 5 6 6 6]
 [7 7 7 8 9 9 9]
 [7 7 7 8 9 9 9]
 [7 7 7 8 9 9 9]]

最大值填充:

array=np.array([[1,2,3],[4,5,6],[7,8,9]])
array2 = np.pad(array, ((2, 2),(2, 2)), mode='maximum')
print('array2',array2)

运行结果:array2

[[9 9 7 8 9 9 9]
 [9 9 7 8 9 9 9]
 [3 3 1 2 3 3 3]
 [6 6 4 5 6 6 6]
 [9 9 7 8 9 9 9]
 [9 9 7 8 9 9 9]
 [9 9 7 8 9 9 9]] 

对于边缘填充,我们还可以采用如下方法:

import numpy as np

def array_expand(array,expand_size):
    # 获取原始数组尺寸
    height, width = array.shape

    # 创建新的扩展后的数组
    expanded_array = np.zeros((height + expand_size+1, width + expand_size+1), dtype=array.dtype)
    # 复制原始数组到新数组的内部区域
    expanded_array[1:-1, 1:-1] = array

    # 将原数组的上下左右四周扩展
    expanded_array[0, 1:-1] = array[0, :]  # 复制第一行
    expanded_array[-1, 1:-1] = array[-1, :]  # 复制最后一行
    expanded_array[1:-1, 0] = array[:, 0]  # 复制第一列
    expanded_array[1:-1, -1] = array[:, -1]  # 复制最后一列
    expanded_array[0, 0] = array[0, 0]  # 左上角像素
    expanded_array[0, -1] = array[0, -1]  # 右上角像素
    expanded_array[-1, 0] = array[-1, 0]  # 左下角像素
    expanded_array[-1, -1] = array[-1, -1]  # 右下角像素

    # 返回扩展后的数组
    return expanded_array


array=np.array([[1,2,3],[4,5,6],[7,8,9]])
windows_size=7
for i in range(0 ,windows_size//2):
    array = array_expand(array, 1)
    print(array)

windows_size是进行卷积运算时候窗口的大小。

OpenCV图像处理入门:膨胀腐蚀原理与实战代码详解 在图像处理中,形态学操作是处理二值图像的基础工具之一,其中膨胀与腐蚀是最核心的两种运算。它们以结构元素(核)为窗口,依据像素邻域信息改变白色区域形态:膨胀使白色区域扩张、填补孔洞,腐蚀使白色区域收缩、去除孤立噪点。理解二值图像和卷积核的像素级原理,是掌握这些操作的关键。形态学技术广泛应用于图像去噪、字符识别预处理、边缘提取和连通域分析等场景。通过OpenCV提供的cv2.erode、cv2.dilate函数以及getStructuringElement核生成方法,结合Python代码,可以灵活调整核大小与迭 阅读详情

相关推荐

【Python NumPy Pad函数使用:数组填充与扩展】

【Python NumPy Pad函数使用:数组填充与扩展】NumPy 库是 Python 中常用的科学计算库,它提供了高性能的多维数组对象和数学函数。其中 pad 函数可用于数组填充和扩展操作,本文将详细介绍其使用方法和应用场景。【数组填充】由于数据源往往不规则,需要对数组进行填充,使得数组维度符合要求。Pad 函数可以实现在数组的边界或中央插入值,使得数组大小满足需求。Pad 函数的基本使用方法为:array: 需要填充的数组对象;

. 1867

Numpy学习——数组填充np.pad()函数的应用

在卷积神经网络中,为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失,常常采用图像边缘填充技术,即在图像四周边缘填充0,使得卷积运算后图像大小不会缩小,同时也不会丢失边缘和角落的信息。在Python的numpy库中,常常采用numpy.pad()进行填充操作,具体分析如下: 1. np.pad()函数1)语法结构 pad(array, pad_width, mode, **kwargs)

o_Eagle_o 13万+

Python编程实例-如何使用NumPy为数组添加填充

填充是在数组边缘添加额外元素的过程。这听起来可能很简单,但它有各种各样的应用,可以显著增强您的数据处理任务的功能和性能。

视觉与物联智能 624

numpy数组重复,扩展

numpy数组重复

Cretheego的博客 1307

Python实现图像扩张操作算法及源代码

图像处理中的膨胀操作被用于对二值图像进行对象扩张或填充,它可以将一个对象的边界向外扩张一个像素或多个像素。在Python中,我们可以使用OpenCV库提供的函数cv2.dilate()来实现图像的膨胀操作。我们可以通过调整结构元素的大小和迭代次数来改变膨胀操作的效果。此外,OpenCV中还提供了很多其他形状的结构元素供我们使用,例如圆形、十字等。总之,图像的膨胀操作是图像处理中常用的一种操作,使用OpenCV提供的函数能够很方便地实现。的矩形结构元素,接着对图像进行膨胀操作,并将结果显示出来。

TechGlide的博客 689

[Python图像处理] 八.图像腐蚀与图像膨胀

图像的膨胀(Dilation)和腐蚀(Erosion)是两种基本的形态学运算,主要用来寻找图像中的极大区域和极小区域。其中膨胀类似于“领域扩张”,将图像中的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大;腐蚀类似于“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。

杨秀璋的专栏 3万+

【Numpy】图像处理——腐蚀与膨胀

我们选择对全局二值化后的图像进行腐蚀、膨胀操作。腐蚀与膨胀类似于滤波算法,只不过腐蚀的滤波运算结果是二值图像某一邻域内的最小值,也可理解为该邻域内像素的相与运算结果。膨胀的滤波运算结果是二值化图像某一邻域内的最大值,即该邻域内像素的或运算结果。尤其是9×99\times99×9的滤波,最为明显,我们会发现腐蚀之后的图像是黑色区域较多,膨胀之后的图像是白色区域较多。

qq_34108802的博客 909

Python图像处理: 实现腐蚀和膨胀(附完整源代码)

这里我们定义了一个5x5的矩形结构元素,将其作为参数传入cv2.erode()函数中,并设置迭代次数为1。腐蚀操作会将图像中的边缘缩小,达到去除不需要的区域的目的。同样地,我们定义了一个5x5的矩形结构元素,并将其作为参数传入cv2.dilate()函数中。最后,我们可以使用cv2.imshow()函数将处理后的图像显示出来,并使用cv2.waitKey()函数暂停程序,等待用户按下任意键退出。通过这段简单的代码,我们可以轻松地实现图像的腐蚀和膨胀操作,并在此基础上进行更复杂的图像处理任务。

qq_37934722的博客 964

Python图像处理:图像腐蚀与图像膨胀

该公式表示用B来对图像A进行膨胀处理,其中B是一个卷积模板或卷积核,其形状可以为正方形或圆形,通过模板B与图像A进行卷积计算,扫描图像中的每一个像素点,用模板元素与二值图像元素做“与”运算,如果都为0,那么目标像素点为0,否则为1。被扫描到的原始图像中的像素点,只有当卷积核对应的元素值均为1时,其值才为1,否则其值修改为0。图像膨胀是腐蚀操作的逆操作,类似于“领域扩张”,将图像中的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大,线条变粗了,主要用于去噪。通常进行1次膨胀即可。

aobulaien001的博客 1729

【Python数据分析】数据分析三剑客:NumPy、SciPy、Matplotlib中常用操作汇总

Python数据分析三剑客:NumPy、SciPy、Matplotlib中常用操作汇总

若北辰 1248

STM32+HX711实战:5分钟搞定拉力传感器数据采集(附完整代码)

本文详细介绍了如何使用STM32微控制器和HX711模数转换器快速搭建高精度拉力测量系统。通过硬件连接指南、驱动实现代码和校准方法,帮助开发者在5分钟内完成拉力传感器数据采集,适用于工业自动化和消费电子等场景。

y7z8a9的博客 877

Python图像处理丨图像腐蚀与图像膨胀

本篇文章主要讲解Python调用OpenCV实现图像腐蚀和图像膨胀的算法。

华为云官方博客 2669

北邮LaTeX论文模板避坑指南:从TEX Live安装到完美编译(2024最新版)

本文详细介绍了2024年最新版北邮LaTeX论文模板的使用指南,涵盖TEX Live安装、中文配置、模板优化及常见问题解决方案。针对Windows系统用户,提供TeX Live与CTeX的对比分析,并给出高效排版和终稿检查的实用技巧,帮助研究生快速掌握LaTeX论文写作。

read5的博客 467

python NumPy

np` 是NumPy库的常用缩写,它是Python中用于科学计算的一个库,提供了大量的数学函数和操作。

abc1599620的博客 253

DPABI安装教程

DPABI是是中科院心理研究所严超赣老师团队开发的一款磁共振脑影像数据分析工具包。基于SPM,在安装DPABI之前需要安装好SPM,才能正常使用。SPM的安装方法见文matlab2021a版本条件下安装spm_kidllll的博客-优快云博客 1、下载安装包 下载地址:DPABI: a toolbox for Data Processing & Analysis for Brain Imaging | The R-fMRI Network 2、将下载好的dpabi文件夹移动到matl..

qq_42356925的博客 1万+

Latex在VSCODE中编译报错`Recipe terminated with error. Retry building the project.

Latex在VSCODE中编译报错Recipe terminated with error. Retry building the project. 1 报错提示: Recipe terminated with error 2 报错原因 大概率的原因是因为latex没有添加到系统环境变量中,所有设置的编译工具没有办法找到才出现的这种情况 3 解决方案 请按照如下方式进行系统变量的添加 对windows,win+R 然后输入sysdm.cpl 在高级中选择环境变量 找到path环境变量,将txtlive中

呆呆象呆呆的博客 3万+

【Python】用Numpy扩充数组元素之repeat和tile

用repeat和tile扩充数组元素,例如, In [32]: a=np.arange(10) In [33]: a Out[33]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) In [34]: a.repeat(5) Out[34]: array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2

守望的距离 9979

PCB工艺-SI9000使用教程

本文介绍了阻抗计算工具SI9000的使用方法,重点讲解了微带线与带状线的区别、共面阻抗概念及参考面选择。通过USB差分走线实例,详细说明了如何选择计算模型、填写参数并确定线宽线距。文章还提供了层叠设计资料和工厂常规阻抗表格作为参考,建议制板时标注需控阻抗的线路供板厂调整。最后简单提及了嘉立创阻抗计算工具作为备选方案。

weixin_50120208的博客 2032

python形态学滤波:腐蚀、膨胀、开、闭运算

最基础的形态学操作有四个,分别是腐蚀、膨胀、开计算和闭计算,`scipy.ndimage分别实现了二值数组和灰度数组的这四种运算。

微小冷的学习笔记 3381

从外包到转正:一个华为OD亲历者的真实工作体验与避坑指南

本文分享了一位华为OD员工从外包到转正的真实经历与实用建议。通过详细解析华为OD的日常工作、转正核心指标、机试备考技巧及职场突围策略,为读者提供了一份全面的避坑指南。特别针对机试E卷的高频考点和刷题方法,给出了具体的数据分析和实战经验。

weixin_33686714的博客 712

高斯投影坐标正反算算法(python)

高斯坐标正反算算法,在正算的时候,y的第一个数字表示是用几度带换算的,第二个数字和第三个数字表示带号。该程序是根据武汉大学出版社出版的第三版的《大地测量学基础》编写, 用于课程实验学习。

weixin_64338372的博客 4589

Python从0到1丨了解图像形态学运算中腐蚀和膨胀

这篇文章将详细讲解开始图像形态学知识,主要介绍图像腐蚀处理和膨胀处理。

华为云官方博客 1151

【Bug已解决】zsh: command not found: claude 解决方案

方案适用场景推荐指数难度方案一:配置 npm 全局目录所有平台,长期使用⭐⭐⭐⭐⭐低方案二:修复 PATH 变量快速修复,不想改 npm 配置⭐⭐⭐⭐低方案三:重建软链接文件存在但链接断裂⭐⭐⭐中方案四:nvm 专属方案使用 nvm 管理多版本 Node.js⭐⭐⭐⭐低方案五:Windows 专属Windows 系统⭐⭐⭐⭐⭐低方案六:Homebrew 安装macOS 用户,npm 有问题⭐⭐⭐低根本原因。

博客 1万+

Python 深度解析:NumPy 与 SciPy 的图像处理艺术

本文介绍了Python中利用NumPy和SciPy进行图像处理的基础知识。图像在计算机中被表示为多维数组,NumPy提供了高效的数组操作能力,而SciPy的ndimage模块则实现了图像滤波、形态学操作等高级功能。文章详细讲解了图像的基本表示方法、像素操作、灰度化、裁剪等基础处理,以及高斯滤波、边缘检测等进阶技术。同时指出SciPy.misc函数已弃用,推荐使用Pillow库进行图像读写。此外还对比了OpenCV等高级图像处理库的适用场景,并提供了医疗影像等实际应用案例。通过NumPy数组的向量化运算和Sc

weixin_42107409的博客 962

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Python3+Numpy实现图像高效操作(对比、合并、剪裁)

像素级图像对比、裁剪、合并等操作介绍及示例

liluo0815481的博客 1101

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: Python遥感图像处理应用篇(三十四):GDAL+Scikit-image+GLCM计算遥感图像纹理特征
下一篇: Python遥感图像处理应用篇(三十五):GDAL+Scikit-image计算遥感图像LBP纹理特征
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6104粉丝 270原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值