Python - 如何根据其值裁剪图像？答案

【问题标题】：Python - How to crop an image according to its values?Python - 如何根据其值裁剪图像？
【发布时间】：2020-06-26 18:20:17
【问题描述】：

我有一个像这样的图像：全零像素；具有一些非零值的正方形。我想裁剪图像以创建仅具有非零值的新图像。我尝试过image = np.extract(image != 0, image) 或image = image[image != 0] 之类的东西，但它们返回一个数组，不再返回一个矩阵。我该如何解决？谢谢

example of image

【问题讨论】：

标签： python image numpy opencv matrix

【解决方案1】：

一种方法是使用np.nonzero 和ndarray.reshape：

x, y = np.nonzero(image)
xl,xr = x.min(),x.max()
yl,yr = y.min(),y.max()
image[xl:xr+1, yl:yr+1]

使用示例数组：

image = np.array([[0,0,0,0,0], [0,0,1,2,0], [0,0,3,3,0], [0,0,0,0,0], [0,0,0,0,0]])

print(image)

array([[0, 0, 0, 0, 0],
       [0, 0, 1, 2, 0],
       [0, 0, 3, 3, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

x, y = np.nonzero(image)
xl,xr = x.min(),x.max()
yl,yr = y.min(),y.max()
image[xl:xr+1, yl:yr+1]

array([[1, 2],
       [3, 3]])

【讨论】：

提取最小值和最大值后，您可以直接切片为image[x.min(): x.max()+1, y.min(): y.max()+1] 来获取子矩阵，而不是使用reshape。
cv.boundingRect 做同样的事情并且速度更快

【解决方案2】：

作为@yatu 解决方案的替代方案，您可以使用numpy.ix_，它允许索引传递数组的叉积：

import numpy as np
image = np.array([[0,0,0,0,0], [0,0,1,2,0], [0,0,3,3,0], [0,0,0,0,0], [0,0,0,0,0]])

x, y = np.nonzero(image)
image[np.ix_(np.unique(x),np.unique(y))]
array([[1, 2],
       [3, 3]])

在哪里

np.ix_(np.unique(x),np.unique(y))
(array([[1],
        [2]], dtype=int64), array([[2, 3]], dtype=int64))

【讨论】：

【解决方案3】：

如果你不想使用 numpy np.nonzero，你可以使用cv.boundingRect。

另外，cv.boundingRect 比 numpy 快（可能是因为 C++ 绑定？）。

image = np.array([[0,0,0,0,0], [0,0,1,2,0], [0,0,3,3,0], [0,0,0,0,0], [0,0,0,0,0]])

# the line below is usually not necessary when dealing with
# gray scale images opened with imread(), but you need it if 
# you're working with the array created above, to get uint8 values
image = cv.convertScaleAbs(image)

x, y, w, h = cv.boundingRect(image)
newImg = image[y:y+h, x:x+w]

时间

在上面的示例中，使用 5x5 数组，cv.boundingRect 快 2 倍：

%timeit x, y = np.nonzero(image)
1.4 µs ± 219 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
722 ns ± 30.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

对于 1000x1500 的图像，cv.boundingRect 的速度要快得多（40 倍到 2000 倍以上，具体取决于图像的内容）：

# blank (all zero) image 
image = np.zeros((1500,1000), dtype=np.uint8)

%timeit x, y = np.nonzero(image)
6.67 ms ± 40 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
159 µs ± 1.14 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# only non-zero pixels
image = np.ones((1500,1000), dtype=np.uint8)

%timeit x, y = np.nonzero(image)
17.2 ms ± 155 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
7.48 µs ± 46.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

如果您只处理一张图像，Numpy 仍然足够快。但是，例如，在处理实时视频帧时情况会有所不同。

【讨论】：