Question

我有一个生态栖息地的栅格，我已经转换成二维Python numpy数组（下面的example_array）。我还有一个包含＆＃34;种子＆＃34;具有唯一值的区域（下面的seed_array），我想用它来对我的栖息地区域进行分类。我想＆＃39;成长＆＃39;我的种子区域进入＆＃39;我的栖息地区域为栖息地分配了最近种子区域的ID，如通过＆＃39;通过＆＃39;栖息地区。例如：

我最好的方法是使用ndimage.distance_transform_edt函数创建一个数组，描述最近的＆＃34;种子＆＃34;数据集中每个单元格的区域，然后被替换回栖息地阵列。然而，这并不是特别好用，因为该功能不能测量距离＆＃34;通过＆＃34;我的栖息地区域，例如下面红圈代表错误分类的单元格：

下面是我的栖息地和种子数据的示例数组，以及我正在寻找的输出类型的示例。我的实际数据集要大得多 - 超过一百万个栖息地/种子区域。任何帮助将不胜感激！

import numpy as np
import scipy.ndimage as ndimage
import matplotlib.pyplot as plt

# Sample study area array
example_array = np.array([[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
                          [0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1],
                          [0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1],
                          [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0],
                          [1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1],
                          [1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 1, 1],
                          [1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1],
                          [1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                          [1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0],
                          [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                          [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                          [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# Plot example array
plt.imshow(example_array, cmap="spectral", interpolation='nearest')

seed_array = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 1, 1, 1, 0, 0, 2, 2, 0, 0, 0, 0],
                       [0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# Plot seeds
plt.imshow(seed_array, cmap="spectral", interpolation='nearest')

desired_output = np.array([[0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0],
                           [0, 0, 0, 4, 4, 4, 0, 0, 0, 3, 3, 3],
                           [0, 0, 0, 0, 4, 4, 0, 0, 0, 3, 3, 3],
                           [0, 0, 0, 0, 0, 0, 0, 0, 3, 0, 3, 0],
                           [1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 3, 3],
                           [1, 1, 0, 1, 0, 0, 0, 0, 2, 2, 3, 3],
                           [1, 1, 1, 1, 0, 0, 2, 2, 2, 0, 0, 3],
                           [1, 1, 1, 1, 1, 2, 2, 2, 2, 0, 0, 0],
                           [1, 1, 1, 1, 0, 0, 2, 2, 2, 0, 0, 0],
                           [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                           [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# Plot desired output
plt.imshow(desired_output, cmap="spectral", interpolation='nearest')

Answer 1

您可以使用scikits-image中的watershed segmentation：

距离变换

from scipy import ndimage as nd
distance = nd.distance_transform_edt(example_array)

分水岭分段

from skimage.morphology import watershed, square
result = watershed(-distance, seed_array, mask=example_array, \
                   connectivity=square(3))

结果

subplot(1,2,1)
imshow(-distance, 'spectral', interpolation='none')
subplot(1,2,2)
imshow(result, 'spectral', interpolation='none')

作为另一种变体，并且在您的初始方法之后，您可以使用分水岭找到最近种子的连接邻居。正如你在问题中提到的那样：

计算与种子的距离：

distance = nd.distance_transform_edt(seed_array == 0)

计算距离空间中的分水岭：

result = watershed(distance, seed_array, mask=example_array, \
                   connectivity=square(3))

情节结果：

figure(figsize=(9,3))
subplot(1,3,1)
imshow(distance, 'jet', interpolation='none')
subplot(1,3,2)
imshow(np.ma.masked_where(example_array==0, distance), 'jet', interpolation='none')
subplot(1,3,3)
imshow(result, 'spectral', interpolation='none')

进一步讨论：分水岭方法尝试通过流动通过图像渐变来增加种子峰的区域。由于您的图像是二进制的，因此区域将从种子点的所有方向均匀扩展，从而为您提供两个区域之间的点。有关分水岭的更多信息，请参阅wikipedia。

在第一个例子中，距离变换是在原始图像中计算的，因此这些区域从种子中均匀扩展，直到它们在中间达到分裂点。

在第二个示例中，距离变换是从所有像素到任何种子点计算的，然后在该空间中应用分水岭。 Watershed基本上会将每个像素分配给最近的种子，但它会增加连接约束。

注意绘图和水域中距离图的符号差异。

注意在距离地图中（两个地块中的左图），蓝色表示关闭，其中红色表示远。

通过最近的＆＃34;种子＆＃34;对Python数组进行分类区域？

1 个答案: