opencv中axis(轴)概念的理解

迈不过友情╰ 2024-05-31 04:43 73阅读 0赞

**目录**

1.一维数组的axis(轴）

2.二维数组的axis(轴）

3.三维数组的axis(轴）

4.总结

--------------------

在opencv的学习过程，很多同学对轴的概念会感到困惑，今天我们就来弄清楚它。

对某个轴进行操作，就是沿着轴的方向操作。

###  ###

### **1.一维数组的axis(轴）** ###

让我们先从最简单的一维数组来理解轴。

如下图所示，该一维数组只有一个轴，即轴0，数组元素的索引沿轴的方向依次增加。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_20_color_FFFFFF_t_70_g_se_x_16][]

> **\#对于一味数组  
> a= np.array(\[1,2,3\])  
> suma = np.sum(a) \#suma = 9，未指定轴时，就是对数组所有元素进行操作  
> sum0 = np.sum(a,axis=0) \#sum1 = 9 指定轴时，沿着指定轴的方向求和**

###  ###

### **2.二维数组的axis(轴）** ###

下面是二维数组，沿着不同的轴进行聚合（求和、求最大值、求最小值）的处理类似，下面演示的是求和操作。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

>  **\#对于二味数组，沿着某个轴聚合，就是将其他轴索引相同，但聚合的那个轴的索引值不同的原酸进行聚合  
> a = np.array(\[\[1,2,3,4\],\[5,6,7,8\],\[9,10,11,12\]\])  
> suma = np.sum(a) \#suma = 78  
> sum0 = np.sum(a,axis=0) \#sum0 = \[15,18,21,24\] 沿着轴0的方向求和  
> sum1 = np.sum(a,axis=1) \#sum1 = \[10,26,42\] 沿着轴1的方向求和**

### **3.三维数组的axis(轴）** ###

下面是三维数组，下面演示的是求和操作。

如下图所示，轴0为Z轴，轴1为y轴，轴0 为x轴![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

>  **\#二维数组的聚合  
> a=np.array(\[\[\[1,2,3\],\[4,5,6\],\[7,8,9\]\],\[\[11,12,13\],\[14,15,16\],\[17,18,19\]\],\[\[21,22,23\],\[24,25,26\],\[27,28,29\]\]\])**
> 
> **\#suma = 78 未指定轴时，就是对数组所有元素进行操作  
> suma = np.sum(a)** 
> 
> **\#sum0 = 78 按轴0方向进行求和，结果只保留其他练个维度\[\[33,36,39\],\[42.45.48\].\[51.54.57\]\]  
> sum0 = np.sum(a,axis=0)** 
> 
> **\#sum1 = 78 按轴1方向进行求和，结果只保留其他练个维度\[\[12,15,18\],\[42.45.48\].\[72.75.78\]  
> sum1 = np.sum(a,axis=1)** 
> 
>  **\#sum2 = 78 按轴2方向进行求和，结果只保留其他练个维度\[\[6,15,24\],\[36.45.54\].\[66.75.84\]  
> sum2 = np.sum(a,axis=2)**

### **4.总结** ###

对于多维数组 a\[i\]\[\[\]\[k\],第一个下标就是轴0，第二个下标就是轴1，....，第n个下标就是轴n-1

对某个轴操作，

1）产生的结果数组的shape：该轴消失，只留下其他的轴，

例如 对 a\[2\]\[3\]\[4\] 进行求和（或者求最大值、最小值等）

若axis = 0 ，那么结果数组的形状为 a\[3\]\[4\]

若axis = 1 ，那么结果数组的形状为 a\[2\]\[4\]

若axis = 2 ，那么结果数组的形状为 a\[2\]\[3\]

2）操作结果是沿着指定的轴操作

若axis = 0 ，那么结果数组的对应元素值的计算 例如 a\[0\]\[0\]=a\[**0**\]\[0\]\[0\] + a\[**1**\]\[0\]\[0\] + a\[**2**\]\[0\]\[0\]

若axis = 1 ，那么结果数组的对应元素值的计算 例如 a\[1\]\[2\]=a\[1\]\[**0**\]\[2\] + a\[1\]\[**1**\]\[2\] + a\[1\]\[**2**\]\[2\]

若axis = 2 ，那么结果数组的对应元素值的计算 例如 a\[2\]\[0\]=a\[2\]\[0\]\[**0**\]+ a\[2\]\[0\]\[**1**\] + a\[2\]\[0\]\[**2**\]

也就是说，要计算某个a\[j\]\[k\]的计算结果，是将原数组中其他轴与j，k索引值一致，而聚合轴上索引值遍历得到的所有元素的计算结果，

> \#关于多维数组的理解  
> \#我们用一个数组来存储一个蜜雪冰城店铺的单品(冰激凌、圣代、奶茶、其他）的销售额  
> sale=np.array(\[1,2,3\])  
> \#随着我们系统的发展，我们开了4个分店，需要存储（1分店，2分店，3分店，4分店）的成绩  
> sale2=np.array(\[\[1,2,3\],\[4,5,6\],\[7,8,9\],\[10,11,12\]\])  
> \#后来，我们的生意又拓展了外地（广州，深圳）  
> sale3 =np.array(\[\[\[1,2,3\],\[4,5,6\],\[7,8,9\],\[10,11,12\]\],\[\[61,62,63\],\[64,65,66\],\[67,68,69\],\[70,71,72\]\]\])  
> \#那么此时score3\[0\]\[1\]\[2\]就表示广州1分店圣代的销售额  
> \#也就是 轴0表示地区，轴1表示是分店 轴2表示产品的销售额  
> \#当我们希望汇总不同地区的相应分店的各个产品的销售额时，那么我们就用轴0进行汇总  
> print("sale3=",sale3)  
> sum0 = np.sum(sale3,axis=0)  
> print("sum0 = np.sum(score3,axis=0) 结果\\n",sum0)  
> sum1 = np.sum(sale3,axis=1)  
> print("sum1 = np.sum(score3,axis=1) 结果\\n",sum1)  
> sum2 = np.sum(sale3,axis=1)  
> print("sum1 = np.sum(score3,axis=2) 结果\\n",sum2)

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_18_color_FFFFFF_t_70_g_se_x_16][]

聪明的你，现在是不是已经明白了呢？

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_20_color_FFFFFF_t_70_g_se_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/31/13e4544b24474b778fd189e952e63f4f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_20_color_FFFFFF_t_70_g_se_x_16 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/31/70e142f715ea447f80bec657a4e7f833.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_20_color_FFFFFF_t_70_g_se_x_16 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/31/eb34f8ab37aa403fbb093025dce7d3a9.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5pu557qi5p2P_size_18_color_FFFFFF_t_70_g_se_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/31/a24da6733e3b47369270d561becbfda5.png