我一直在寻找一种从目标值和输入矩阵(有效地)计算距离矩阵的方法。
如果您将输入数组视为:
[0 0 1 2 5 2 1]
[0 0 2 3 5 2 1]
[0 1 1 2 5 4 1]
[1 1 1 2 5 4 0]
您如何计算与目标值0相关的空间距离矩阵?
即每个像素到最接近的0值的距离是多少?
预先感谢
答案 0 :(得分:1)
您正在寻找scipy.ndimage.morphology.distance_transform_edt
。它对二进制数组进行操作,并计算每个TRUE
位置到最近的背景FALSE
位置的欧几里得距离。在我们的例子中,由于我们想找出最接近0的距离,因此背景为0
。现在,在幕后,它将输入转换为以0为背景的二进制数组,因此我们可以将其与默认参数一起使用。因此,它就像-
In [179]: a
Out[179]:
array([[0, 0, 1, 2, 5, 2, 1],
[0, 0, 2, 3, 5, 2, 1],
[0, 1, 1, 2, 5, 4, 1],
[1, 1, 1, 2, 5, 4, 0]])
In [180]: from scipy import ndimage
In [181]: ndimage.distance_transform_edt(a)
Out[181]:
array([[0. , 0. , 1. , 2. , 3. , 3.16, 3. ],
[0. , 0. , 1. , 2. , 2.83, 2.24, 2. ],
[0. , 1. , 1.41, 2.24, 2.24, 1.41, 1. ],
[1. , 1.41, 2.24, 2.83, 2. , 1. , 0. ]])
解决通用案例
现在,假设我们要找出到最近的1s
的距离,那么它应该是-
In [183]: background = 1 # element from which distances are to be computed
# compare this with original array, a to verify
In [184]: ndimage.distance_transform_edt(a!=background)
Out[184]:
array([[2. , 1. , 0. , 1. , 2. , 1. , 0. ],
[1.41, 1. , 1. , 1.41, 2. , 1. , 0. ],
[1. , 0. , 0. , 1. , 2. , 1. , 0. ],
[0. , 0. , 0. , 1. , 2. , 1.41, 1. ]])