Question

我找到了一个使用scipy制作圆形过滤器的代码片段，我想了解它是如何工作的。我知道在skimage中有一个更好的，但我对这个中发生的事情很感兴趣。

 from scipy.ndimage.filters import generic_filter as gf

 #   Define physical shape of filter mask
 def circular_filter(image_data, radius):
     kernel = np.zeros((2*radius+1, 2*radius+1))
     y, x = np.ogrid[-radius:radius+1, -radius:radius+1]
     mask = x**2 + y**2 <= radius**2
     kernel[mask] = 1                
     filtered_image = gf(image_data, np.median, footprint = kernel)
     return filtered_image

但我不确定我完全理解发生了什么。特别是，行是什么

     y, x = np.ogrid[-radius:radius+1, -radius:radius+1]
     mask = x**2 + y**2 <= radius**2
     kernel[mask] = 1

办？

我发布此作为我之前的一个问题的答案，但没有回复，所以我将其作为一个新问题发布。

Answer 1

详细查看您的代码：

 kernel = np.zeros((2*radius+1, 2*radius+1))
 y, x = np.ogrid[-radius:radius+1, -radius:radius+1]
 mask = x**2 + y**2 <= radius**2
 kernel[mask] = 1

第一行：

 kernel = np.zeros((2*radius+1, 2*radius+1))

创建一个2-d的零数组，中心点和两侧的“半径”点。对于radius = 2，您将获得：

# __r__ +1 __r__
[ 0, 0, 0, 0, 0, ] #\
[ 0, 0, 0, 0, 0, ] #_} r
[ 0, 0, 0, 0, 0, ] #   +1
[ 0, 0, 0, 0, 0, ] #\
[ 0, 0, 0, 0, 0, ] #_} r

接下来，您将从numpy.ogrid创建的打开网格网格中获取两个数组。网格网格是numpy中的“技巧”，涉及存储“并行”数组或矩阵，该数组或矩阵将特定单元格的x或y坐标保存在该单元格的位置。

例如，y - 网格网格可能如下所示：

 [ 0, 0, 0, 0, 0, ]
 [ 1, 1, 1, 1, 1, ]
 [ 2, 2, 2, 2, 2, ]
 [ 3, 3, 3, 3, 3, ]
 [ 4, 4, 4, 4, 4, ]

x - 网格可能如下所示：

 [ 0, 1, 2, 3, 4, ]
 [ 0, 1, 2, 3, 4, ]
 [ 0, 1, 2, 3, 4, ]
 [ 0, 1, 2, 3, 4, ]
 [ 0, 1, 2, 3, 4, ]

如果你看一下它们，你会发现Y_grid[x][y] == y和X_grid[x][y] == x通常很有用，它有多个numpy函数来支持它。 ; - ）

打开网格类似于封闭网格，只是它只有“一维”。也就是说，不是一对（例如）5x5数组，而是获得1x5数组和5x1数组。这就是ogrid所做的 - 它返回两个开放的网格。根据python规则（意味着半径+ 1被省略），值从-radius到radius + 1：

 y, x = np.ogrid[-radius:radius+1, -radius:radius+1]

所以y是一个 numpy数组，存储自例如-2..2（含），而x是-2..2（含）的数组。下一步是构建一个布尔掩码 - 即一个充满布尔值的数组。如你所知，当你在一个numpy数组上运行时，你会得到另一个numpy数组。因此，在具有常量的表达式中涉及两个数组会产生另一个数组：

 mask = x**2 + y**2 <= radius**2

mask的值将是一个2色位图，其中一种颜色为“True”，另一种颜色为“False”。位图将描述实心圆或磁盘。（因为<=关系。记住x和y包含-2..2，而不是0..4。）

最后，通过使用掩蔽数组作为kernel数组（零）的覆盖，将类型Boolean转换为int，只要掩码为“True”，就将零设置为1：

 kernel[mask] = 1

此时，内核看起来像：

# __r__ +1 __r__
[ 0, 0, 1, 0, 0, ] #\
[ 0, 1, 1, 1, 0, ] #_} r
[ 1, 1, 1, 1, 1, ] #   +1
[ 0, 1, 1, 1, 0, ] #\
[ 0, 0, 1, 0, 0, ] #_} r

Answer 2

我对SciPy并不熟悉，但我会尝试解释基本概念。

整个功能的目的是通过应用滤镜来改变原始图像。这个过滤器可以做很多事情，从改变图像的对比度，或添加特殊效果等。

让我们看看不同的路线：

     kernel = np.zeros((2*radius+1, 2*radius+1))

在此行中，正在创建图像数据的副本，但所有数据都为零（因此正在使用零功能）。这样掩模可以在以后应用到它上面。

     y, x = np.ogrid[-radius:radius+1, -radius:radius+1]

这创建了所谓的“网格”或多维网格。这是为了创建圆形“面具”。就像在图表上的方式一样，x和y轴具有均匀间隔的缩放比例，这在网格网格中也是必要的。在这种情况下，x和y变量存储均匀间隔的值，用作轴的缩放。

     mask = x**2 + y**2 <= radius**2

这里，正在创建一个“掩码”。掩码将用作图像中要保护免受滤波器影响的区域，以便不改变任何原始数据。注意如何在毕达哥拉斯不等式中使用x和y变量（重要的是看它不仅仅是圆形而是磁盘），就像它们在数学意义上的方式一样。这将创建一个具有给定半径的磁盘，该磁盘现在被视为掩码。 mask变量现在包含不应更改原始数据值的所有坐标（x，y）。

     kernel[mask] = 1

这是掩码现在应用于先前创建的图像副本的位置。现在，有一个完美的图像副本（即相同的尺寸），但有一个类似磁盘的“掩码”，“保护”原始数据不被改变。这就是为什么磁盘覆盖的所有点都设置为1.另外，请注意kernel和mask的维度是如何匹配的。两者都是多维的。图像副本中的其余值仍设置为零，如第一行中所做的那样。

     filtered_image = gf(image_data, np.median, footprint = kernel)

这是最后一部分，一切都拼凑在一起。原始数据存储在image_data中，并且存在kernel，它是应用了蒙版的图像副本，指示不应更改数据的位置。它们都作为参数传递给实际的过滤函数gf（代表通用过滤器），输出是一个新的过滤图像。

这是图像过滤的核心概念，如果您想了解更多信息，我建议您先学习基本的信号处理概念。信号处理课程涵盖了这些概念如何工作的数学，但通常用真正抽象的数学来解释，因为这个概念可以应用于许多不同的例子。

在Python中编写循环过滤器

2 个答案: