问题

Question

import numpy as np
import pandas as pd

问题

我有一张图片，n 像素宽，m 像素高。这两个数字都是偶数。像素是正方形。像素值位于一个 numpy 数组中。

我需要计算每个像素中心到图像中心的距离。即紧邻中心的像素应该具有关联值sqrt(2)/2。如果图像像一个棋盘，g6方块对应的像素应该有关联的距离值应该是(2.5^2+1.5^2)^0.5=2.91

我的解决方案

我通过以下代码完成了任务：

image=np.zeros([2,4]) # let's say this is my image
df = pd.DataFrame(image)

distances = \
pd.DataFrame(
df.apply(
    lambda row: (row.index+0.5-len(df.index)/2)**2,axis=0).to_numpy()+\
df.T.apply(
    lambda row: (row.index+0.5-len(df.columns)/2)**2,axis=0).T.to_numpy())\
    .apply(np.sqrt).to_numpy()

distances 将是：

array([[1.58113883, 0.70710678, 0.70710678, 1.58113883],
       [1.58113883, 0.70710678, 0.70710678, 1.58113883]])

正如预期的那样。

问题

有没有更好的办法？我希望有一个更短、更面向 numpy 或更透明的方法。

Answer 1

更透明的方法是首先定义图像的中心，例如

在 openCV 中将数组作为图像读取：

 img = cv2.imread("inputImage")
 height, width = img.shape

 x_center=(width/2)
 y_center=(height/2)

然后对于 numpy/image 数组中的每个像素，您可以通过计算欧氏距离来计算 numpy 数组的每个像素与上述中心之间的距离：

D = dist.euclidean((xA, yA), (x_center, y_center))

PS：您可以简单地使用 numpy 中的 img.shape，但 openCV 为您提供了许多与距离计算相关的方法。

Answer 2

除了 Numpy 中的这个简单实现之外，我不知道任何特定的算法可以做到这一点，即使用 indices（根据数组的形状创建索引数组）和 linalg.norm（计算范数）功能。请注意，我们还通过为 center[:,None,None] 中的新维度编制索引来使用 broadcasting（这是必要的，因为 indices 内在输出形状）。

import numpy as np
import pandas as pd

# Numpy function
def np_function(image):
    center = np.array([(image.shape[0])/2, (image.shape[1])/2])
    distances = np.linalg.norm(np.indices(image.shape) - center[:,None,None] + 0.5, axis = 0)

    return distances

# Pandas function
def pd_function(image):
    df = pd.DataFrame(image)
    
    distances = \
    pd.DataFrame(
    df.apply(
        lambda row: (row.index+0.5-len(df.index)/2)**2,axis=0).to_numpy()+\
    df.T.apply(
        lambda row: (row.index+0.5-len(df.columns)/2)**2,axis=0).T.to_numpy())\
        .apply(np.sqrt).to_numpy()
        
    return distances

对于 4000x6000 的图像，Numpy 的方法比我计算机中的原始函数快一个数量级以上。您也可以只计算从中心到一个八分圆的距离，然后方便地将结果复制到剩余的八分圆（利用对称性），但这可能只对大图像有用，恕我直言。

计算距图像中心的像素距离

问题

我的解决方案

问题

2 个答案: