您好,登錄后才能下訂單哦!
這篇文章主要講解了numpy矩陣相減出現(xiàn)的負(fù)值自動(dòng)轉(zhuǎn)正值的問題解決方案,內(nèi)容清晰明了,對(duì)此有興趣的小伙伴可以學(xué)習(xí)一下,相信大家閱讀完之后會(huì)有幫助。
問題描述
今天在使用Numpy中的矩陣做相減操作時(shí),出現(xiàn)了一些本應(yīng)為負(fù)值的位置自動(dòng)轉(zhuǎn)換為了正值,
觀察發(fā)現(xiàn)轉(zhuǎn)換后的正值為原本的負(fù)值加上256得到,具體情況如下:
正常情況矩陣相減樣例如下
>>> import numpy as np >>> arr = np.array([98,100,103,161,192,210]) >>> brr = np.array([105,105,106,197,196,195]) >>> crr = arr-brr >>> print(crr) [ -7 -5 -3 -36 -4 15]
錯(cuò)誤代碼如下:
path = './image/Blur/blur5.png' kernel_size = (21, 21); sigma = 0; img = cv2.imread(path) img2gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img2blur = cv2.GaussianBlur(img2gray, kernel_size, sigma); grayMat = np.matrix(img2gray) blurMat = np.matrix(img2blur) finalMat = blurMat-grayMat print(grayMat[0,0:10]) print(blurMat[0,0:10]) print(finalMat[0,0:10])
得到的結(jié)果值如下:
[[173 171 169 171 174 179 181 182 180 180]] [[172 172 172 173 173 174 174 173 171 168]] [[255 1 3 2 255 251 249 247 247 244]]
解決方案
以上出現(xiàn)的矩陣相減得到的結(jié)果值自動(dòng)轉(zhuǎn)換的問題是因?yàn)橹苯油ㄟ^grayMat = np.matrix(img2gray)
得到的dtype類型是unit8類型的,只需要在開始時(shí)設(shè)置為np.int32即可正常完成相減.即:
grayMat = np.matrix(img2gray ,dtype=np.float64)
補(bǔ)充知識(shí):有關(guān)于python數(shù)字圖像處理出現(xiàn)矩陣相減沒有負(fù)數(shù)(值都在0-255)的情況分析
問題的發(fā)現(xiàn):
這些天在做我們本校課程機(jī)器學(xué)習(xí)大作業(yè)的過程中遇到了一些瓶頸:在我使用有關(guān)數(shù)字圖像矩陣運(yùn)算的過程中兩個(gè)參數(shù)矩陣相減(譬如 R通道的值-G通道的值)的時(shí)候,測(cè)試結(jié)果的輸出一直是正數(shù),且其值都在(0-255)中,這給我?guī)砹瞬簧俾闊?/p>
測(cè)試代碼如下
print(imgs_train[1][:,:,1]) print("====================================") print(imgs_train[1][:,:,2]) print("====================================") print(imgs_train[1][:,:,1]-imgs_train[1][:,:,2])
輸出結(jié)果為
[[141 143 144 ... 90 90 68] [139 141 141 ... 88 90 68] [140 141 140 ... 87 90 68] ... [ 52 52 52 ... 85 83 81] [ 52 52 52 ... 85 83 81] [ 52 52 52 ... 85 83 81]] ==================================== [[171 173 172 ... 106 107 84] [169 171 169 ... 106 107 86] [169 170 169 ... 107 109 88] ... [ 40 40 43 ... 68 66 64] [ 40 40 43 ... 68 66 64] [ 40 40 43 ... 68 66 64]] ==================================== [[226 226 228 ... 240 239 240] [226 226 228 ... 238 239 238] [227 227 227 ... 236 237 236] ... [ 12 12 9 ... 17 17 17] [ 12 12 9 ... 17 17 17] [ 12 12 9 ... 17 17 17]]
可以看得出來,雖然兩個(gè)矩陣相減,但是理應(yīng)為負(fù)值的元素卻像是取模了一般又變?yōu)榱苏龜?shù)(255+計(jì)算結(jié)果),導(dǎo)致這樣情況的原因其實(shí)是因?yàn)榫仃嚨脑仡愋陀嘘P(guān)。默認(rèn)來說這樣的矩陣類型是uint8即無符號(hào)8bit整型,這樣進(jìn)行相減當(dāng)然得不出正確結(jié)果。
問題的解決
在查閱相關(guān)資料之后,發(fā)現(xiàn)可以通過設(shè)置其元素格式進(jìn)行運(yùn)算,從而規(guī)避了無負(fù)數(shù)結(jié)果的發(fā)生。
測(cè)試代碼如下:
print(imgs_train[1][:,:,1]) print("====================================") print(imgs_train[1][:,:,2]) print("====================================") print(imgs_train[1][:,:,1].astype(np.float32)-imgs_train[1][:,:,2].astype(np.float32))
結(jié)果顯示為:
[[141 143 144 ... 90 90 68] [139 141 141 ... 88 90 68] [140 141 140 ... 87 90 68] ... [ 52 52 52 ... 85 83 81] [ 52 52 52 ... 85 83 81] [ 52 52 52 ... 85 83 81]] ==================================== [[171 173 172 ... 106 107 84] [169 171 169 ... 106 107 86] [169 170 169 ... 107 109 88] ... [ 40 40 43 ... 68 66 64] [ 40 40 43 ... 68 66 64] [ 40 40 43 ... 68 66 64]] ==================================== [[-30. -30. -28. ... -16. -17. -16.] [-30. -30. -28. ... -18. -17. -18.] [-29. -29. -29. ... -20. -19. -20.] ... [ 12. 12. 9. ... 17. 17. 17.] [ 12. 12. 9. ... 17. 17. 17.] [ 12. 12. 9. ... 17. 17. 17.]]
綜上所述,在遇到矩陣不明數(shù)值類型的時(shí)候可以指定其類型,之后矩陣元素就會(huì)以這樣的數(shù)值類型進(jìn)行計(jì)算。
看完上述內(nèi)容,是不是對(duì)numpy矩陣相減出現(xiàn)的負(fù)值自動(dòng)轉(zhuǎn)正值的問題解決方案有進(jìn)一步的了解,如果還想學(xué)習(xí)更多內(nèi)容,歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。