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

發(fā)布時(shí)間：2020-07-18 16:35:00 來源：億速云閱讀：220 作者：小豬欄目：開發(fā)技術(shù)

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。

向AI問一下細(xì)節(jié)

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

猜你喜歡

最新資訊

相關(guān)推薦

相關(guān)標(biāo)簽