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”:
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?
答案 0 :(得分:22)
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。
答案 1 :(得分:6)
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。
答案 2 :(得分: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。
答案 3 :(得分:2)
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()
答案 4 :(得分:1)
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)
答案 5 :(得分:0)
答案 6 :(得分:-1)
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
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]