Python 将numpy数组的每个元素乘以一个元组

给定一个二维numpy图像数组，其中shape

（height，width，3）

，BGR元组作为元素，我想将每个元素乘以一个内核，分别提取B/G/R通道。例如，蓝色内核将是

（1，0，0）

。大概是这样的：

# extact color channel
def extract_color_channel(image, kernel):
   channel = np.copy(image)
   height, width = image.shape[:2]
   for y in range(0, height):
      for x in range(0, width):
         channel[y,x] = image[y, x] * kernel
   return channel

# extract blue channel
def extract_blue(image):
   return extract_color_channel(image, (1, 0, 0))

最有效的“numpy方式”是什么？

使用示例数组：

In [220]: arr = np.arange(5*5*3).reshape(5,5,3)

基本索引是最有效的方法（这将是一个

视图

）

[1,0,0]

列表不是您想要的。但是你可以把它变成布尔数组

In [222]: kernel = np.array([1,0,0],dtype=bool)
In [223]: kernel
Out[223]: array([ True, False, False], dtype=bool)
In [224]: arr[:,:,kernel].shape
Out[224]: (5, 5, 1)
In [225]: arr[:,:,kernel].squeeze()
Out[225]: 
array([[ 0,  3,  6,  9, 12],
       [15, 18, 21, 24, 27],
       [30, 33, 36, 39, 42],
       [45, 48, 51, 54, 57],
       [60, 63, 66, 69, 72]])

请注意，带有布尔值的形状仍然是三维的。如果你不想这样，那么你需要重塑或挤出最后的尺寸。此索引速度较慢，因为它会生成

副本

此布尔索引相当于

In [226]: arr[:,:,[0]].shape
Out[226]: (5, 5, 1)

其中

[0]

是

内核中“true”值的位置

您也可以使用
点
（矩阵积）：

它将比索引速度慢

元素乘法：

[232]中：arr*np.数组（[1,0,0]）
输出[232]：
数组（[[0,0,0]，
[ 3,  0,  0],
[ 6,  0,  0],
[ 9,  0,  0],
[12,0,0]]

   [[15,  0,  0],
    [18,  0,  0],
       ....
    [66,  0,  0],
    [69,  0,  0],
    [72,  0,  0]]])

在这个乘法中，[1,0,0]的行为就好像它是一个（1,1,3）数组，并且用（n，n，3）进行广播很好。
为什么不只是
image[：，：，0]
？我对numpy是新手，你能解释一下/给我指出
0
的解释吗？为什么不
image[：，：，：，kernel]
？阅读numpy文档…这是完全基本的！这是基本索引，意味着您要从数组中提取一个切片，然后指定相应的索引。请参见此处。好的，我看到了此处发生的情况。在图像上下文中，
图像[：，：，0]
丢弃红色和绿色通道，并从蓝色通道生成灰度图像。有没有办法不丢弃这些通道，而将它们设置为0？因此，如果我输出图像，它仍然以彩色显示？而不是使用
图像[：，：，0]切片蓝色通道
，我只是将1和2个通道归零？这很有帮助，但我遗漏了一些东西。如果在我的示例数组中，我改为：
arr=np.ones（[5,5,3]）*255，设置每个“像素”白色。我想要的是运行
extract\u blues
获得一个平坦的蓝色图像，
extract\u reds
获得一个平坦的红色图像，等等。我不想更改数组的形状。在我的示例中，每个值
arr[y，x]
产生
（255，255）
。在
extract\u blues
之后，每个值
arr[y，x]
应该生成
（255，0，0）
。很抱歉，我可能在与
[：，：，0]
进行比较时偏离了轨道。请确定您可以将（n，n，3）乘以（3，）.他们一起广播。其他数学也很有用。
点
就是这样的乘法加和。我专注于“提取”，而不是修改或构建新图像。是的，单词选择：/。无论如何，这让我走上了正确的轨道。还有“提取”不管怎样，从长远来看，灰度化可能是我想要做的。接受这个，谢谢你的帮助。
In [228]: np.dot(arr,[1,0,0])
Out[228]: 
array([[ 0,  3,  6,  9, 12],
       [15, 18, 21, 24, 27],
       [30, 33, 36, 39, 42],
       [45, 48, 51, 54, 57],
       [60, 63, 66, 69, 72]])

   [[15,  0,  0],
    [18,  0,  0],
       ....
    [66,  0,  0],
    [69,  0,  0],
    [72,  0,  0]]])