我有一个任意半径的圆形布尔蒙版（总是完全对称）：
array([[False, False, True, False, False],
[False, True, True, True, False],
[ True, True, True, True, True],
[False, True, True, True, False],
[False, False, True, False, False]], dtype=bool)
然后我有一个uint8的大矩阵，image和这个矩阵中的一对可以是它的任何有效指标，point。
我想要做的是在图像中的这一点上应用此蒙版，这样我就可以在image中的那个点上放置一个圆圈。
这在图像中间非常简单。你可以这样做：
image[point[0] - radius:point[0] + radius + 1, point[1] - radius:point[1] + radius + 1] = circle_mask
但自然这不会处理边界检查，在这种情况下看起来相当复杂，因为我必须确保我们分配的image范围与分配的掩码大小相同
如果point为(1, 1)且圆形遮罩的半径为2，则假设image最初全为零，则最终为：
array([[ 1., 1., 1., 0., 0., ... , 0.],
[ 1., 1., 1., 1., 0., ... , 0.],
[ 1., 1., 1., 0., 0., ... , 0.],
[ 0., 1., 0., 0., 0., ... , 0.],
[ 0., 0., 0., 0., 0., ... , 0.],
...,
[ 0., 0., 0., 0., 0., ... , 0.]])
我已经提出了以下代码来实现我想要做的事情：
# Initialization of stuff so this is runnable
point = (1, 1)
radius = 2
image = np.zeros((10, 10))
x, y = np.ogrid[-radius : radius + 1, -radius : radius + 1]
circle_mask = x**2 + y**2 <= radius**2
# My solution to the problem
image_min_row = max(point[0] - radius, 0)
image_min_col = max(point[1] - radius, 0)
image_max_row = min(point[0] + radius + 1, image.shape[0])
image_max_col = min(point[1] + radius + 1, image.shape[1])
mask_min_row = max(radius - point[0], 0)
mask_min_col = max(radius - point[1], 0)
mask_max_row = min(image.shape[0] - point[0] + radius, circle_mask.shape[0])
mask_max_col = min(image.shape[1] - point[1] + radius, circle_mask.shape[1])
temp_mask = circle_mask[mask_min_row:mask_max_row, mask_min_col:mask_max_col]
image[image_min_row:image_max_row, image_min_col:image_max_col][temp_mask] = 1
我的解决方案感觉非常冗长。当我想出它时，它花了很多头脑伤害的算术争吵并且有一些一个一个一个的错误。我怀疑是否有更简单的方法来做到这一点。我可以采取掩码的一些方法，定位它以使其中心超过point并根据该掩码分配值，忽略超出界限的元素。
NumPy有办法做到这一点吗？
答案 0 :(得分：3)
可以根据图像的索引直接创建遮罩，从而消除了绑定检查：
x = np.arange(image.shape[0])
y = np.arange(image.shape[1])
image[np.add.outer((x-point[0])**2, (y-point[1])**2) <= radius**2] = 1
这里x，y是image数组的索引，并且在第三行中说明了应该进行赋值的条件。
答案 1 :(得分：2)
以下是使用Scipy's binary-dilation处理多个点的方法 -
from scipy.ndimage.morphology import binary_dilation as dilate
mask_mapped = np.zeros(image.shape,dtype=bool)
mask_mapped[points[...,0],points[...,1]] = 1
image[dilate(mask_mapped,circle_mask)] = 1
示例运行
案例＃1：有一点 -
In [88]: points = np.array([1,1])
In [89]: image = np.zeros((10, 10))
In [90]: mask_mapped = np.zeros(image.shape,dtype=bool)
...: mask_mapped[points[...,0],points[...,1]] = 1
...: image[dilate(mask_mapped,circle_mask)] = 1
...:
In [91]: print image
[[ 1. 1. 1. 0. 0. 0. 0. 0. 0. 0.]
[ 1. 1. 1. 1. 0. 0. 0. 0. 0. 0.]
[ 1. 1. 1. 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. 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.]]
案例＃2：多点 -
In [96]: points = np.array([[1,1],[7,3],[8,9]])
In [97]: image = np.zeros((10, 10))
In [98]: mask_mapped = np.zeros(image.shape,dtype=bool)
...: mask_mapped[points[...,0],points[...,1]] = 1
...: image[dilate(mask_mapped,circle_mask)] = 1
...:
In [99]: print image
[[ 1. 1. 1. 0. 0. 0. 0. 0. 0. 0.]
[ 1. 1. 1. 1. 0. 0. 0. 0. 0. 0.]
[ 1. 1. 1. 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. 1. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 1. 1. 1. 0. 0. 0. 0. 1.]
[ 0. 1. 1. 1. 1. 1. 0. 0. 1. 1.]
[ 0. 0. 1. 1. 1. 0. 0. 1. 1. 1.]
[ 0. 0. 0. 1. 0. 0. 0. 0. 1. 1.]]
如果你从一个zeros初始化数组开始作为图像，你可以简单地使用扩大的二进制数组作为图像，就像这样 -
In [102]: print dilate(mask_mapped,circle_mask).astype(float)
[[ 1. 1. 1. 0. 0. 0. 0. 0. 0. 0.]
[ 1. 1. 1. 1. 0. 0. 0. 0. 0. 0.]
[ 1. 1. 1. 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. 1. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 1. 1. 1. 0. 0. 0. 0. 1.]
[ 0. 1. 1. 1. 1. 1. 0. 0. 1. 1.]
[ 0. 0. 1. 1. 1. 0. 0. 1. 1. 1.]
[ 0. 0. 0. 1. 0. 0. 0. 0. 1. 1.]]