Numpy 尺寸和通道之间的差异

我将图像存储为numpy数组：

image = np.array([
    [[ 11,  12],
     [ 13,  14],
     [ 15,  16]],
    [[ 21,  22],
     [ 23,  24],
     [ 25,  26]],
    [[ 31,  32],
     [ 33,  34],
     [ 35,  36]]])

我打印形状和尺寸：

>>> print('image shape', image.shape, 'image dimensions', image.ndim)
image shape (3, 3, 2) image dimensions 3

我知道矩阵是3的高度，3的宽度和2的颜色通道（？）

---

但是。。。。如果矩阵的维数为3。。维度和颜色通道之间有什么区别？

数组的固有属性是

形状
和
ndim
。形状是每个维度中数组的大小
image.ndim
只是
len（image.shape）
的快捷方式。另一个相关的数量是
image.size
，它是
np.prod（image.shape）
。在numpy中，尺寸称为“轴”，并从零开始。因此，数组中的第一个索引对应于轴0，第二个索引对应于轴1，以此类推

哪个维度是“通道”完全取决于解释。一般来说，这将是最后一个维度，但我也将其视为第一个维度。更一般地说，维度通常对应于数组中的一些有用坐标。请记住，并非所有阵列都是图像。数据可以是完全任意的，并且将基于您的用例

您的示例有些混乱，因为
image.ndim==image.shape[0]==image.shape[1]
。以下是包含多个RGB图像的阵列示例，所有图像大小相同：

images = np.random.randint(255, size=(5, 7, 7, 3), dtype=np.uint8)

我们可以将轴0解释为图像的索引，轴1解释为宽度，轴2解释为高度，轴3解释为颜色通道。在这种情况下，我们有五个7x7大小的图像，每个图像有三个颜色通道。如果通道为R、G、B，则
images[3、0、0、2]
是第四幅图像中左上角像素的蓝色分量。
Dimension是形状中的元素数。（3，）数组的维数为1。（3,3）维度为2；（3,3,3）具有尺寸3等。在特定情况下，您选择将尺寸为3的轴0解释为图像的不同通道。我稍后会发布一个答案。好吧，我直觉上理解这是维度，但在哪种情况下我们使用的是3个以上的维度？我会立即将其添加到我的答案中。现在就开始，全部完成。祝你愉快。谢谢你提供了非常完善的答案，但是。。。出于好奇，如果我说：images=np.random.randint（255，size=（5,7,7,3,2,1））。什么代表轴-2和-1？如果我再加一个轴心呢？@LuisAnaya。我想说的是，Numpy数组用于存储（真实）数据。在现实世界中，您可以按照任何方式构造数组，这是有意义的。人为的例子除了反映现实之外没有什么意义。如果你给我一个更多维度的数组，你必须说那些维度是什么，而不是我：）aaaaa好的，完美的，最后是的，我对这个主题有点困惑，现在我更理解了，非常感谢你的努力