在处理图像、传感器数据或网络传输的二进制数据时，我们经常会遇到以字节（uint8）数组形式存储的数据。例如，一个 16 位深度（uint16）的灰度图像，其每个像素值需要两个字节来表示。当这些数据被读取到一个 numpy uint8 数组中时，它通常是一个扁平的字节序列。
假设我们有一个相机帧数据，尺寸为 480x640 像素，每个像素占用 2 个字节。原始数据可能被读取为一个 (480 * 640 * 2,) 形状的 uint8 数组，例如：
import numpy as np # 模拟原始的 uint8 字节数据 # 480x640 像素，每个像素2字节，总计 480*640*2 个 uint8 元素 raw_data_size = 480 * 640 * 2 raw = np.random.default_rng().integers(0, 256, raw_data_size, dtype=np.uint8) print(raw.shape, raw.dtype) # 输出示例: (614400,) uint8
我们的目标是将这个 uint8 数组转换为一个 uint16 数组，其中每个 uint16 值由原始数组中的两个连续 uint8 字节组成，并且最终数组的形状应为 (640, 480)，表示一个 640 列、480 行的图像。直接使用 astype(np.uint16) 会进行数据转换并创建新数组，但它会将每个 uint8 元素独立转换为 uint16，而不是将两个 uint8 组合成一个 uint16，这不符合我们的需求。
NumPy 提供了一个非常强大的方法 ndarray.view()，它允许我们以不同的数据类型“查看”同一块内存区域，而无需复制数据。这对于将低级字节数据重新解释为更高级的数据类型（如将两个 uint8 字节视为一个 uint16 值）非常高效。
view() 方法的核心在于它不改变底层数据，只是改变了 NumPy 数组解释这些数据的方式。当我们将一个 uint8 数组 view 为 uint16 时，NumPy 会将每两个连续的 uint8 字节解释为一个 uint16 值。因此，新数组的元素数量将是原 uint8 数组元素数量的一半。
# 将 uint8 数组视图为 uint16 uint16_view = raw.view(np.uint16) print(uint16_view.shape, uint16_view.dtype) # 输出示例: (307200,) uint16 (614400 / 2 = 307200)
现在，我们得到了一个扁平的 uint16 数组，其元素数量是原始 uint8 数组的一半，这正是我们期望的 480 * 640 个像素值。
在将数据类型转换为 uint16 之后，下一步是将其重塑为所需的图像维度。根据问题描述，我们希望得到一个 (640, 480) 的数组。
# 将视图后的 uint16 数组重塑为 (640, 480) final_image_array = uint16_view.reshape(640, 480) print(final_image_array.shape, final_image_array.dtype) # 输出示例: (640, 480) uint16
将上述步骤整合起来，完整的转换过程如下：
import numpy as np
# 模拟原始的 uint8 字节数据
# 480x640 像素，每个像素2字节，总计 480*640*2 个 uint8 元素
raw_data_size = 480 * 640 * 2
raw = np.random.default_rng().integers(0, 256, raw_data_size, dtype=np.uint8)
print("原始数据形状和类型:", raw.shape, raw.dtype)
# 使用 view() 将 uint8 数组重解释为 uint16
# 然后使用 reshape() 调整为目标图像维度 (640, 480)
# 注意：reshape 的参数 (640, 480) 对应于 (宽度, 高度) 或 (列数, 行数)
# 具体的顺序取决于您希望如何解释 480x640 的图像数据
result_array = raw.view(np.uint16).reshape(640, 480)
print("转换后数据形状和类型:", result_array.shape, result_array.dtype)
print("转换后数组前几行示例:\n", result_array[:5, :5])当我们将多个字节组合成一个更大的数据类型（如 uint16、uint32 等）时，字节序（Endianness）是一个关键因素。字节序决定了多字节值在内存中存储时字节的顺序。主要有两种类型：
NumPy 的 view(np.uint16) 默认会使用系统本地的字节序。然而，如果您的原始数据来自外部源（例如网络协议、文件格式），其字节序可能与您系统的本地字节序不同。在这种情况下，明确指定字节序至关重要，否则可能导致数值错误。
在 NumPy 中，可以通过在数据类型字符串前添加 < (小端序) 或 > (大端序) 来指定字节序：
以下示例演示了不同字节序的影响：
import numpy as np
# 模拟原始 uint8 数据
# 例如，两个字节 0x0A (10) 和 0xCD (205)
# 如果是小端序，uint16 值为 0x0ACD (2765)
# 如果是大端序，uint16 值为 0xCD0A (52490)
raw_specific = np.array([205, 10, 58, 196, 25, 96], dtype=np.uint8) # 3个uint16值
print("原始 uint8 数组:", raw_specific)
# 假设系统是小端序，直接使用 np.uint16 通常会得到小端序结果
# 205 (CD) 10 (0A) -> 0x0ACD = 2765
# 58 (3A) 196 (C4) -> 0xC43A = 50234
# 25 (19) 96 (60) -> 0x6019 = 24601
uint16_default = raw_specific.view(np.uint16)
print("默认字节序 (通常是小端序):", uint16_default)
# 明确指定小端序
uint16_little_endian = raw_specific.view('<u2')
print("小端序 (<u2):", uint16_little_endian)
# 明确指定大端序
# 205 (CD) 10 (0A) -> 0xCD0A = 52490
# 58 (3A) 196 (C4) -> 0x3AC4 = 15044
# 25 (19) 96 (60) -> 0x1960 = 6500
uint16_big_endian = raw_specific.view('>u2')
print("大端序 (>u2):", uint16_big_endian)
# 结合 reshape 示例
# 模拟原始的 uint8 字节数据 (与开头的示例相同)
raw_data_size = 480 * 640 * 2
raw_frame = np.random.default_rng().integers(0, 256, raw_data_size, dtype=np.uint8)
# 使用小端序并重塑
result_little_endian = raw_frame.view('<u2').reshape(640, 480)
print("\n小端序转换并重塑后的数组形状和类型:", result_little_endian.shape, result_little_endian.dtype)
# 使用大端序并重塑
result_big_endian = raw_frame.view('>u2').reshape(640, 480)
print("大端序转换并重塑后的数组形状和类型:", result_big_endian.shape, result_big_endian.dtype)在实际应用中，您需要根据数据的来源（例如，相机设备的文档、文件格式规范）来确定正确的字节序。
通过 numpy.ndarray.view() 方法，我们可以高效、零拷贝地将原始的 uint8 字节流重解释为 uint16 数组，并结合 reshape() 调整为所需的图像维度。理解并正确处理字节序是确保数据准确性的关键。这种技术在图像处理、二进制文件解析和硬件数据接口等领域具有广泛的应用。
以上就是NumPy 教程：高效转换 uint8 字节流为 uint16 图像数据的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
广告
收藏
收藏
收藏
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
653
