在 MATLAB 中执行此类 Python 向量化赋值的等效方法是什么？

我正在尝试将这行代码从 Python 转换为 MATLAB：

new_img[M[0, :] - corners[0][0], M[1, :] - corners[1][0], :] = img[T[0, :], T[1, :], :]

所以，很自然地，我写了这样的东西：

new_img(M(1,:)-corners(2,1),M(2,:)-corners(2,2),:) = img(T(1,:),T(2,:),:);

但当它到达该行时，它给了我以下错误：

请求的 106275x106275x3 (252.4GB) 数组超出最大数组大小 偏爱。创建大于此限制的数组可能需要很长时间 时间并导致 MATLAB 变得无响应。请参阅数组大小限制或 首选项面板以获取更多信息。

这让我相信它没有正确分配事物。 Img 最多是 1000 × 1500 RGB 图像。相同的代码在 Python 中运行时间不到 5 秒。如何像 MATLAB 中第一行代码那样进行向量赋值？

顺便说一下，为了避免这篇文章太长，我没有粘贴所有代码行。如果我需要添加任何其他内容，请告诉我。

Edit:以下是我希望我的代码执行的操作的解释（基本上，这就是 Python 代码执行的操作）：

考虑这行代码。这不是真正的 MATLAB 代码，我只是想解释一下我想要做什么：

A([2 3 5], [1 3 5]) = B([1 2 3], [2 4 6])

它的解释如下：

A(2,1) = B(1,2)
A(3,1) = B(2,2)
A(5,1) = B(3,2)
A(2,3) = B(1,4)
A(3,3) = B(2,4)
A(5,3) = B(3,4)
...
...
...

相反，我希望它被这样解释：

A(2,1) = B(1,2)
A(3,3) = B(2,4)
A(5,5) = B(3,6)

当你这样做时A[vector1, vector2]在 Python 中，您可以对集合建立索引：

A[vector1[0], vector2[0]]
A[vector1[1], vector2[1]]
A[vector1[2], vector2[2]]
A[vector1[3], vector2[3]]
...

在 MATLAB 中，类似的A(vector1, vector2)相反，索引该集合：

A(vector1(1), vector2(1))
A(vector1(1), vector2(2))
A(vector1(1), vector2(3))
A(vector1(1), vector2(4))
...
A(vector1(2), vector2(1))
A(vector1(2), vector2(2))
A(vector1(2), vector2(3))
A(vector1(2), vector2(4))
...

也就是说，您将获得索引的每个组合。您应该将其视为由两个向量中指定的行和列组成的子数组。

要实现与 Python 代码相同的功能，您需要使用线性索引：

index = sub2ind(size(A), vector1, vector2);
A(index)

因此，您的 MATLAB 代码应该执行以下操作：

index1 = sub2ind(size(new_img), M(1,:)-corners(2,1), M(2,:)-corners(2,2));
index2 = sub2ind(size(img), T(1,:), T(2,:));

% these indices are for first 2 dims only, need to index in 3rd dim also:
offset1 = size(new_img,1) * size(new_img,2);
offset2 = size(img,1) * size(img,2);
index1 = index1.' + offset1 * (0:size(new_img,3)-1);
index2 = index2.' + offset2 * (0:size(new_img,3)-1);

new_img(index1) = img(index2);

中间块在这里所做的是沿着第三维为相同元素添加线性索引。如果ii是第一个通道中元素的线性索引，则ii + offset1是第二个通道中相同元素的索引，并且ii + 2*offset1是第三个通道中相同元素的索引，等等。所以在这里我们生成所有这些矩阵元素的索引。这+操作正在执行隐式单例扩展（Python 中称之为“广播”）。如果您有旧版本的 MATLAB，这将失败，您需要替换它A+B with bsxfun(@plus,A,B).