如何將數組值0和255轉換爲相應的0和1陣列

Question

我有一個圖像表示爲numpy數組，其值爲0和255（範圍內沒有其他值）。將其轉換爲0和1數組的最佳方法是什麼？

Answer 1

my_array = np.array([255,255,0,0]) 
my_array = my_array/255 

將輸出

array([ 1., 1., 0., 0.]) 

換句話說，它會工作沒有正常化的0-255（即使你說，這是唯一的2個值範圍內的所有值，它會爲一切工作在兩者之間爲好，同時保持比）

Answer 2

可以屏蔽（或者與>0或==255還是真的什麼都重要），然後轉換成鍵入int：

npa = np.array([0,255,0,255,255,255,0]) 
npa 
array([ 0, 255, 0, 255, 255, 255, 0]) 


(npa>0).astype('int') 
array([0, 1, 0, 1, 1, 1, 0]) 

Answer 3

聽起來像是numpy.clip作業：

>>> a = np.array([0, 255, 0, 255, 255, 0]) 
>>> a.clip(max=1) 
array([0, 1, 0, 1, 1, 0]) 

從文檔：

給定一個時間間隔，在時間間隔外值被夾在間隔邊緣。例如，如果指定了[0，1]的間隔，則小於0的值變爲0，並且大於1的值變爲1.

Answer 4

因爲有太多答案給出正確答案，所以我只是想要測試不同的方法，並決定在計算成本方面哪個最好。我編寫了下面的代碼，它創建一個給定的數據集，它是一個隨機放置的0和255值的圖像，然後研究每個提議的算法的平均流逝時間，改變圖像的像素數量（注意我用平均以減少在測量中的噪聲）：

import numpy as np 
import time 

times1_all = [] 
times2_all = [] 
times3_all = [] 


for i in xrange(20): 
    times1 = [] 
    times2 = [] 
    times3 = [] 

    xsizes = np.arange(100,10000,500) 
    print len(xsizes) 
    for xsize in xsizes: 
     #Create the dataset                                                              
     ysize = xsize 
     xrand = np.random.randint(0,xsize, xsize) 
     yrand = np.random.randint(0,ysize, xsize) 
     a = np.zeros([xsize,ysize]) 
     a[xrand, yrand] = 255 

     start = time.time() 
     b = (a == 255).astype('int') 
     stop = time.time() 
     time1 = stop-start 

     start = time.time() 
     b = a/255 
     stop = time.time() 
     time2 = stop-start 

     start = time.time() 
     b = a.clip(max=1) 
     stop = time.time() 
     time3 = stop-start 
     print time3 

     times1.append(time1) 
     times2.append(time2) 
     times3.append(time3) 
     print 'Elapsed times --> (1)/(1)=%.2f, (2)/(1)=%.2f, (3)/(1)=%.2f' %(time1/time1,time2/time1,time3/time1) 

    times1_all.append(times1) 
    times2_all.append(times2) 
    times3_all.append(times3) 

times1_mean = np.mean(times1_all, axis=0) 
times2_mean = np.mean(times2_all, axis=0) 
times3_mean = np.mean(times3_all, axis=0) 

該測試的結果顯示在下面的圖像中，其示出了不同的算法的經過時間爲（I圖像的像素數目的函數僅引用x軸上的像素的邊數）。正如預期的那樣，圖像越大，執行這項工作所需的時間就越長。然而，顯然在算法之間存在系統差異。對於任意數量的像素，@randomir和@Ofer提出的算法比@ user1717828提出的算法要好。所以，根據這個度量標準，@Ofer和$ randomir是等價的。