¿Cómo puedo agregar nuevas dimensiones a una matriz Numpy?

Estoy comenzando con una gran variedad de imágenes.

In[1]:img = cv2.imread('test.jpg')

La forma es la que cabría esperar de una imagen RGB de 640x480.

In[2]:img.shape
Out[2]: (480, 640, 3)

Sin embargo, esta imagen que tengo es un fotograma de un video, que tiene 100 fotogramas de largo. Idealmente, me gustaría tener una sola matriz que contenga todos los datos de este video de manera que img.shaperegrese (480, 640, 3, 100).

¿Cuál es la mejor manera de agregar el siguiente fotograma, es decir, el siguiente conjunto de datos de imagen, otra matriz de 480 x 640 x 3, a mi matriz inicial?

Está preguntando cómo agregar una dimensión a una matriz NumPy, de modo que esa dimensión pueda crecer para adaptarse a nuevos datos. Se puede agregar una dimensión de la siguiente manera:

image = image[..., np.newaxis]

Alternativamente a

image = image[..., np.newaxis]

en la respuesta de @dbliss , también puedes usar numpy.expand_dimslike

image = np.expand_dims(image, <your desired dimension>)

Por ejemplo (tomado del enlace anterior):

x = np.array([1, 2])

print(x.shape)  # prints (2,)

Entonces

y = np.expand_dims(x, axis=0)

rendimientos

array([[1, 2]])

y

y.shape

da

(1, 2)

Puede crear una matriz del tamaño correcto por adelantado y llenarla:

frames = np.empty((480, 640, 3, 100))

for k in xrange(nframes):
    frames[:,:,:,k] = cv2.imread('frame_{}.jpg'.format(k))

si los marcos eran archivos jpg individuales que se nombraron de alguna manera en particular (en el ejemplo, frame_0.jpg, frame_1.jpg, etc.).

Solo una nota, en su lugar, podría considerar usar una (nframes, 480,640,3)matriz con forma.

Pitónico

X = X[:, :, None]

que es equivalente a

X = X[:, :, numpy.newaxis] y X = numpy.expand_dims(X, axis=-1)

Pero como está preguntando explícitamente acerca de apilar imágenes, le recomendaría apilar las listimágenesnp.stack([X1, X2, X3]) que puede haber recopilado en un bucle.

Si no le gusta el orden de las dimensiones, puede reorganizarlo con np.transpose()

Puede usar np.concatenate()especificando cuál axisagregar, usando np.newaxis:

import numpy as np
movie = np.concatenate((img1[:,np.newaxis], img2[:,np.newaxis]), axis=3)

Si está leyendo de muchos archivos:

import glob
movie = np.concatenate([cv2.imread(p)[:,np.newaxis] for p in glob.glob('*.jpg')], axis=3)

No hay una estructura en numpy que le permita agregar más datos más adelante.

En su lugar, numpy coloca todos sus datos en una parte contigua de números (básicamente, una matriz de C), y cualquier cambio de tamaño requiere asignar una nueva parte de memoria para contenerla. La velocidad de Numpy proviene de poder mantener todos los datos en una matriz numerosa en la misma porción de memoria; por ejemplo, las operaciones matemáticas se pueden paralelizar para aumentar la velocidad y se obtienen menos errores de caché .

Entonces tendrás dos tipos de soluciones:

1. Asigne previamente la memoria para la matriz numpy y complete los valores, como en la respuesta de JoshAdel, o
2. Mantenga sus datos en una lista de Python normal hasta que sea realmente necesario para ponerlos todos juntos (ver más abajo)

images = []
for i in range(100):
    new_image = # pull image from somewhere
    images.append(new_image)
images = np.stack(images, axis=3)

Tenga en cuenta que no es necesario expandir primero las dimensiones de las matrices de imágenes individuales, ni tampoco es necesario saber cuántas imágenes espera de antemano.

Considere el enfoque 1 con el método de remodelación y el enfoque 2 con el método np.newaxis que producen el mismo resultado:

#Lets suppose, we have:
x = [1,2,3,4,5,6,7,8,9]
print('I. x',x)

xNpArr = np.array(x)
print('II. xNpArr',xNpArr)
print('III. xNpArr', xNpArr.shape)

xNpArr_3x3 = xNpArr.reshape((3,3))
print('IV. xNpArr_3x3.shape', xNpArr_3x3.shape)
print('V. xNpArr_3x3', xNpArr_3x3)

#Approach 1 with reshape method
xNpArrRs_1x3x3x1 = xNpArr_3x3.reshape((1,3,3,1))
print('VI. xNpArrRs_1x3x3x1.shape', xNpArrRs_1x3x3x1.shape)
print('VII. xNpArrRs_1x3x3x1', xNpArrRs_1x3x3x1)

#Approach 2 with np.newaxis method
xNpArrNa_1x3x3x1 = xNpArr_3x3[np.newaxis, ..., np.newaxis]
print('VIII. xNpArrNa_1x3x3x1.shape', xNpArrNa_1x3x3x1.shape)
print('IX. xNpArrNa_1x3x3x1', xNpArrNa_1x3x3x1)

Tenemos como resultado:

I. x [1, 2, 3, 4, 5, 6, 7, 8, 9]

II. xNpArr [1 2 3 4 5 6 7 8 9]

III. xNpArr (9,)

IV. xNpArr_3x3.shape (3, 3)

V. xNpArr_3x3 [[1 2 3]
 [4 5 6]
 [7 8 9]]

VI. xNpArrRs_1x3x3x1.shape (1, 3, 3, 1)

VII. xNpArrRs_1x3x3x1 [[[[1]
   [2]
   [3]]

  [[4]
   [5]
   [6]]

  [[7]
   [8]
   [9]]]]

VIII. xNpArrNa_1x3x3x1.shape (1, 3, 3, 1)

IX. xNpArrNa_1x3x3x1 [[[[1]
   [2]
   [3]]

  [[4]
   [5]
   [6]]

  [[7]
   [8]
   [9]]]]

Seguí este enfoque:

import numpy as np
import cv2

ls = []

for image in image_paths:
    ls.append(cv2.imread('test.jpg'))

img_np = np.array(ls) # shape (100, 480, 640, 3)
img_np = np.rollaxis(img_np, 0, 4) # shape (480, 640, 3, 100).