Python 如何将矩阵应用于图像

我做了一些搜索，但没有找到完全相同的问题——我找到的解决方案也不适用

我有一个图像，由形状

（l1，l2，3）

其中l1，l2为整数，3为RGB

出于某些原因，我想改变基础，这意味着对所有的RGB向量应用一个矩阵p。请注意，

P

的形状为

（3,3）

我写了这样一篇文章：

def change_base(Image,P):
    Image_copie=np.zeros(Image.shape)

    for i in range(Image_copie.shape[0]):
        for j in range(Image_copie.shape[1]):
            Image_copie[i,j]=np.dot(P,Image[i,j])

    return Image_copie

很明显，它是有效的，但是它很难看而且速度非常慢

你们有什么解决办法吗，也许用numpy？我不使用opencv

---

谢谢

您正在缩小两个输入

Image

和

p

上的最后一个轴。所以，你可以用，像这样-

np.tensordot(Image,P,axes=(-1,-1))

Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))

np.einsum('ijk,lk->ijl',Image,P)

这也可以表示为

np.dot

，前后进行一些重塑，如下所示-

np.tensordot(Image,P,axes=(-1,-1))

Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))

np.einsum('ijk,lk->ijl',Image,P)

也可以用于这样的缩减操作，如下所示-

np.tensordot(Image,P,axes=(-1,-1))

Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))

np.einsum('ijk,lk->ijl',Image,P)

就性能而言，作为一种单独的缩减操作，没有轴对齐要求，

基于点的

解决方案对于大型阵列会更快，但对于小型到像样大小的阵列，

einsum

可能会更好

运行时测试

案例1：

案例2：

---

这是一个3x3矩阵，一个变基矩阵。那么，发布的解决方案对你有用吗？