Преобразования и представления

В разделе Массивы, числа и цвета мы обсуждали, как можно преобразовать тип элементов массива a = [1,2,3,4], используя синтаксис наподобие Float64.(a). Вам может быть интересно, какой эффект дает применение Int.(a), если он вообще есть:

Никаких очевидных изменений, естественно, не произошло, и, как и ожидалось, b == a возвращает true. Помимо одинакового размера и элементов, существует и более широкое понимание «одинаковости»: ссылаются ли a и b на одну и ту же область в памяти? Это можно проверить следующими способами:

или, в более общем случае, задав одно значение и посмотрев, отражается ли изменение в другом:

Поскольку типы объектов a и b идентичны, обе проверки говорят нам о том, что a и b являются независимыми объектами, даже если у них (изначально) были одинаковые значения.

Связано это с тем, что вызов f.(a) (который вызывает функцию broadcast(f, a)) всегда выделяет в памяти новый массив для возврата значений. Однако так работают не все функции. Хорошим примером может служить view:

v и a имеют одинаковые значения, но это опять-таки разные объекты:

Однако они занимают одну и ту же область памяти:

Следовательно, v — это «представление» значений, хранящихся в a. Это простейший вариант использования функции view. В более общем случае ее можно использовать для выбора прямоугольной области интереса, что является обычной операцией при обработке изображений. Эта область выбирается без копирования каких-либо данных, и любые изменения значений в ней отражаются в исходном (родительском) массиве. Дополнительные сведения см. в документации по view, которую можно просмотреть, введя ?view.

view — это не единственная функция с таким свойством; еще одним хорошим примером является функция reshape, с помощью которой можно изменять измерения массива:

Обратите внимание, что возвращаемый тип reshape — это просто массив Array, который служит представлением a. Однако для некоторых входных данных невозможно создать представление в виде Array. Например:

UnitRange представлен компактно — хранятся только начальные и конечные значения, поэтому получить доступ ко всем значениям, обратившись к определенной области памяти, невозможно. В таких случаях reshape возвращает тип ReshapedArray, который является универсальным «типом представления», поддерживающим изменение формы любого AbstractArray.

Результатом обеих функций view и reshape всегда является представление: внесите изменение в родительский объект, и оно отразится в представлении, и наоборот.

В разделе Массивы, числа и цвета также были рассмотрены числа с фиксированной запятой, используемые в некоторых представлениях цветовой (или полутоновой) информации. Для изменения представления можно воспользоваться функцией reinterpret:

Ее можно применять к массивам:

Из-за вызова f.(a) объект b не находится в той же области памяти, что и a:

Часто это не является проблемой, но иногда может потребоваться, чтобы они ссылались на один и тот же базовый объект. Для таких случаев в JuliaImages с помощью пакета ImageCore (который входит в состав Images) реализованы представления, которые могут выполнять такую переинтерпретацию:

Из приведенного ниже кода ясно, что v является неизменяемым объектом или просто ссылкой на a. Для него не выделена отдельная память:

Обратное преобразование — normedview:

normedview позволяет передавать интерпретируемый тип в первом аргументе, то есть normedview(N0f8, A), и это действительно необходимо, если только A не имеет тип элементов UInt8; в этом случае normedview предполагает, что требуется N0f8.

Как и функция reshape, функции rawview и normedview могут возвращать Array или более сложный тип (ReinterpretArray или MappedArray из пакета MappedArrays) в зависимости от типа входных данных.

В разделе Массивы, числа и цвета отмечалось, что числовой массив можно преобразовать в массив оттенков серого с помощью Gray.(a). Обратное преобразование можно выполнить с помощью real.(b). Обработка цветов RGB немного сложнее, поскольку меняется размерность массива. Один из подходов — использовать включения в Julia:

Хотя такой подход работает, он не лишен недостатков:

Для устранения этих недостатков JuliaImages предоставляет две взаимодополняющие функции представлений: colorview и channelview:

colorview и channelview всегда возвращают представление исходного массива.

Еще одно применение colorview — объединение нескольких изображений в оттенках серого в одно цветное. Например:

дает (в IJulia) такой результат:

zeroarray — это специальная константа, которая «расширяется» для возврата эквивалента массива, состоящего из одних нулей, с осями, соответствующими другим входным данным colorview.

Когда цвета разделены на отдельные цветовые измерения, в том или ином коде может предполагаться, что цвет — это последнее (самое медленное) измерение. Преобразование можно выполнить напрямую с помощью функции Julia permutedims:

permutedims явным образом создает новый массив с данными, переупорядоченными в памяти. Нечто подобное можно сделать и в виде представления:

Хотя результат выглядит похоже, pv (в отличие от pc) размещается в той же области памяти, что и a; это мнимая перестановка, достигаемая за счет того, что при обращении к отдельным элементам индексы в PermutedDimsArray переставляются относительно входных индексов.

Следует учитывать, что производительность при этих двух подходах может различаться по причинам, связанным с особенностями работы процессоров и памяти, а не с ограничениями Julia. Если a имеет большой размер и нужно получить доступ ко всем трем элементам, соответствующим цветовым каналам одного пикселя, вариант с pv, вероятно, будет более эффективным, поскольку значения расположены рядом в памяти и поэтому, скорее всего, будут находиться в одной строке кэша. И наоборот, если нужно последовательно получить доступ к разным пикселям одного цветового канала, вариант с pc может оказаться более эффективным (по той же причине).

Иногда сравниваемые изображения могут иметь разные размеры. Создать представления массивов с общими индексами можно с помощью функции paddedviews:

Это может быть особенно полезно в сочетании с colorview для сравнения двух (или более) изображений в оттенках серого. Дополнительные сведения см. в разделе Keeping track of location with unconventional indices.

Иногда бывает полезно объединить несколько изображений в одно представление, чтобы далее работать с ними как с массивом.

Если вы хотите использовать представления, но совместное использование памяти в вашем приложении проблематично, помните, что вы всегда можете вызвать функцию Julia copy, чтобы создать копию массива. Тип полученной копии может не совпадать с исходным, но значения будут такими же.

Когда массив в Julia отображается в виде текста, в начале обычно выводится однострочная сводка с типом массива. Возможно, вы уже заметили, что в JuliaImages используется нетрадиционный синтаксис для обобщения информации об определенных видах массивов. Например, приведенный выше массив pv имеет следующий тип:

Однако при отображении такого объекта в строке сводки выводится следующее:

Это сделано для того, чтобы информацию о типах было удобнее читать.

Основная причина в том, что представления различных типов можно свободно комбинировать, но тип при этом становится довольно длинным. Например, предположим, на диске есть файл с массивом m×n×3×t UInt8, представляющим собой фильм RGB (t — это ось времени). Чтобы отобразить его как фильм RGB, можно создать следующее представление массива A:

Хотя использование представлений в JuliaImage почти или вообще не влияет на производительность, иногда типы могут становиться сложными!