numpy.interp & 掩码数组答案

【问题标题】：numpy.interp & masked arraysnumpy.interp & 掩码数组
【发布时间】：2011-08-08 19:29:59
【问题描述】：

我正在使用一个 numpy 掩码数组来执行一些图像处理。掩码用于处理图像周围的 NoData 像素（必要的边界，因为这些是地图投影图像，原点位于无数据像素中）。

使用以下代码块，我可以对图像执行高斯拉伸。

def gaussian_stretch(input_array, array_mean, array_standard_deviation, number_of_bins, n):
    shape = input_array.shape
    input_array = input_array.flatten()
    #define a gaussian distribution, get binned GDF histogram
    array_standard_deviation *= n
    gdf = numpy.random.normal(array_mean, array_standard_deviation, 10000)
    hist, bins = numpy.histogram(gdf, number_of_bins, normed=True)
    cdf = hist.cumsum()
    cdf = 256 * cdf / cdf[-1]
    #interpolate and reshape
    input_array = numpy.interp(input_array,bins[:-1],cdf)
    input_array = input_array.reshape(shape)
    return input_array

如果图像不包含 NoData 边框，则拉伸将按预期工作。在带有遮罩的图像上，遮罩被忽略。这是预期的行为吗？关于如何仅处理未屏蔽数据的任何想法？

我尝试过使用 input_array.compressed()，但这会返回一个仅包含未屏蔽值的一维数组。正如预期的那样，由于数组之间的大小差异，使用 numpy.interp 会失败。

最后，我明白使用 numpy.random.normal 不会总是返回完美的高斯分布，一旦算法的其余部分运行，我将添加一些误差限制。

【问题讨论】：

标签： python arrays image-processing numpy

【解决方案1】：

你可以先得到input_array的掩码，将它应用到结果数组，然后使用scipy.stats.norm计算正态分布的cdf，或者你可以使用scipy.special.erf()计算cdf，使用正态分布的cdf公式：

import scipy.stats as stats    
def gaussian_stretch2(input_array, array_mean, array_standard_deviation, n):
    mask = input_array.mask
    n = stats.norm(array_mean, array_standard_deviation*n)
    return numpy.ma.array(n.cdf(input_array), mask=mask)

【讨论】：