Question

我有一个像这样的numpy数组：

x = np.array([[1,2,3],[4,5,6],[7,8,9]])

我需要创建一个函数，让我们用以下输入参数称它为“邻居”：

x：numpy 2d数组
（i，j）：二维数组中元素的索引
d：邻域半径

作为输出，我希望获得具有给定距离i,j的单元d的邻居。所以如果我跑

neighbors(im, i, j, d=1) with i = 1 and j = 1 (element value = 5)

我应该得到以下值的索引：[1,2,3,4,6,7,8,9]。我希望我说清楚。是否有像scipy这样的图书馆处理这个？

我已经做了一些工作，但这是一个粗略的解决方案。

def pixel_neighbours(self, p):

    rows, cols = self.im.shape

    i, j = p[0], p[1]

    rmin = i - 1 if i - 1 >= 0 else 0
    rmax = i + 1 if i + 1 < rows else i

    cmin = j - 1 if j - 1 >= 0 else 0
    cmax = j + 1 if j + 1 < cols else j

    neighbours = []

    for x in xrange(rmin, rmax + 1):
        for y in xrange(cmin, cmax + 1):
            neighbours.append([x, y])
    neighbours.remove([p[0], p[1]])

    return neighbours

我该如何改善这个？

Answer 1

查看scipy.ndimage.generic_filter.

举个例子：

import numpy as np
import scipy.ndimage as ndimage

def test_func(values):
    print values
    return values.sum()


x = np.array([[1,2,3],[4,5,6],[7,8,9]])

footprint = np.array([[1,1,1],
                      [1,0,1],
                      [1,1,1]])

results = ndimage.generic_filter(x, test_func, footprint=footprint)

默认情况下，它会“反映”边界处的值。您可以使用mode关键字参数来控制它。

但是，如果您想要做这样的事情，那么您很有可能将问题表达为某种卷积。如果是这样的话，将其分解为卷积步骤并使用更优化的函数（例如大多数scipy.ndimage）会快得多。

Answer 2

编辑：啊废话，我的回答只是写im[i-d:i+d+1, j-d:j+d+1].flatten()，但写得难以理解：）

好的旧滑动窗口技巧可能会有所帮助：

import numpy as np
from numpy.lib.stride_tricks import as_strided

def sliding_window(arr, window_size):
    """ Construct a sliding window view of the array"""
    arr = np.asarray(arr)
    window_size = int(window_size)
    if arr.ndim != 2:
        raise ValueError("need 2-D input")
    if not (window_size > 0):
        raise ValueError("need a positive window size")
    shape = (arr.shape[0] - window_size + 1,
             arr.shape[1] - window_size + 1,
             window_size, window_size)
    if shape[0] <= 0:
        shape = (1, shape[1], arr.shape[0], shape[3])
    if shape[1] <= 0:
        shape = (shape[0], 1, shape[2], arr.shape[1])
    strides = (arr.shape[1]*arr.itemsize, arr.itemsize,
               arr.shape[1]*arr.itemsize, arr.itemsize)
    return as_strided(arr, shape=shape, strides=strides)

def cell_neighbors(arr, i, j, d):
    """Return d-th neighbors of cell (i, j)"""
    w = sliding_window(arr, 2*d+1)

    ix = np.clip(i - d, 0, w.shape[0]-1)
    jx = np.clip(j - d, 0, w.shape[1]-1)

    i0 = max(0, i - d - ix)
    j0 = max(0, j - d - jx)
    i1 = w.shape[2] - max(0, d - i + ix)
    j1 = w.shape[3] - max(0, d - j + jx)

    return w[ix, jx][i0:i1,j0:j1].ravel()

x = np.arange(8*8).reshape(8, 8)
print x

for d in [1, 2]:
    for p in [(0,0), (0,1), (6,6), (8,8)]:
        print "-- d=%d, %r" % (d, p)
        print cell_neighbors(x, p[0], p[1], d=d)

这里没有做任何时间，但这个版本可能有合理的性能。

有关详细信息，请使用短语“滚动窗口numpy”或“滑动窗口numpy”搜索网络。

Answer 3

我不知道任何库函数，但你可以使用numpy的强大切片功能轻松编写类似的东西：

import numpy as np
def neighbors(im, i, j, d=1):
    n = im[i-d:i+d+1, j-d:j+d+1].flatten()
    # remove the element (i,j)
    n = np.hstack((b[:len(b)//2],b[len(b)//2+1:] ))
    return n

当然，您应该进行一些范围检查以避免越界访问。

Answer 4

通过使用max和min，您可以处理上下边界的像素：

im[max(i-1,0):min(i+2,i_end), max(j-1,0):min(j+2,j_end)].flatten()

Answer 5

我同意Joe Kingtons的回应，只是增加了足迹

import numpy as np
from scipy.ndimage import generate_binary_structure
from scipy.ndimage import iterate_structure
foot = np.array(generate_binary_structure(2, 1),dtype=int)

或更大/不同的脚印，例如

np.array(iterate_structure(foot , 2),dtype=int)

Answer 6

可能在KDTree中使用SciPy吗？

Answer 7

我们首先使用numpy初始化感兴趣的矩阵

import numpy as np

x = np.array([[1,2,3],[4,5,6],[7,8,9]])

print(x)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

我们的邻居是距离的函数，例如，我们可能对距离2的邻居感兴趣，这告诉我们应该如何填充矩阵x。我们选择用零填充，但您可以用任何您想要的填充，模式，行/列中位数

填充

d = 2

x_padded = np.pad(x,d,mode='constant')

print(x_padded)

[[0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0]
 [0 0 1 2 3 0 0]
 [0 0 4 5 6 0 0]
 [0 0 7 8 9 0 0]
 [0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0]]

我们使用x_padded矩阵来获取矩阵x中任何值的邻居。令(i,j)和(s,t)分别为x和x_padded的索引。现在我们需要将(i,j)转换为(s,t)以获得(i,j)的邻居

i,j = 2,1
s,t = 2*d+i+1, 2*d+j+1

window = x_padded[i:s, j:t]

print(window)

[[0 1 2 3 0]
 [0 4 5 6 0]
 [0 7 8 9 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]

请注意！！！索引(i,j)指向您希望在矩阵x 中获得其邻居的任何值

可能希望遍历矩阵x中的每个点，得到其邻居并在图像处理中使用邻居进行计算，例如与内核的卷积。可能需要执行以下操作来获取图像x

中每个像素的邻居

for i in range(x.shape[0]):
    for j in range(x.shape[1]):
        i,j = 2,1
        s,t = 2*d+i+1, 2*d+j+1
        window = x_padded[i:s, j:t]

使用Python在2d数组（图像）中的像素邻居

7 个答案: