将图像的3D numpy数组堆栈重塑为向量，然后恢复为3D，保留图像结构

Question

我从时间的重复意象中观察到了变化。我有一个3D numpy数组，它应该表示一个由2个图像组成的堆栈，每个图像3x3像素（为了简单起见-形状：2×3×3）：

x = np.array([
    [
        [1,2,3],
        [4,5,6],
        [7,8,9]
    ],
    [
        [10,11,12],
        [13,14,15],
        [16,17,18]
    ]
])

我对它进行了转置和重塑，现在我有了“时间像素向量”，如下所示：

y = x.transpose(2,1,0).reshape(-1, x.shape[0])

>>> array([[ 1, 10],
       [ 4, 13],
       [ 7, 16],
       [ 2, 11],
       [ 5, 14],
       [ 8, 17],
       [ 3, 12],
       [ 6, 15],
       [ 9, 18]])

我做了一些科学计算，最后得到了每个像素向量的布尔值，评估了某些特征：

>>> array([[ True, False, True],
       [ True, True, True],
       [False, False, True],
       [False, False, False],
       [ True, False, True],
       [ True, False, True],
       [ True, False, True],
       [ True, True, True],
       [False, False, True]])

现在，我如何将这个数组重塑/转换为（特征数）×3×3的形状，并保持单个图像像素的逻辑顺序，如在数组x中

如有需要，我会进一步澄清。 谢谢

Answer 1

您可以使用y（不是掩码）来验证是否成功地重建了x，但本质上，在重新整形之前跟踪中间数组的形状，只需重新整形为该形状并再次转置：

y_t = x.transpose(2,1,0) # same as x.T
y = y_t.reshape(-1, x.shape[0])

y.reshape(y_t.shape).T
array([[[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9]],

       [[10, 11, 12],
        [13, 14, 15],
        [16, 17, 18]]])

否则，也可以仅使用初始阵列的形状作为参考：

y = x.transpose(2,1,0).reshape(-1, x.shape[0])
y.reshape(x.shape[::-1]).T
array([[[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9]],

       [[10, 11, 12],
        [13, 14, 15],
        [16, 17, 18]]])