提取 NumPy 数组的索引答案

【问题标题】：Extract indices of a NumPy array提取 NumPy 数组的索引
【发布时间】：2015-06-13 06:48:01
【问题描述】：

我有一个仅包含 0 和 1 元素的 NumPy 数组，如下所示：

import numpy as np
data = np.array([[1, 1 , 0 , 0 , 0 , 0 , 1 , 0],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [0, 0 , 1 , 1 , **1** , 1 , 1 , 0],
                 [0, 0 , 1 , 1 , 1 , 1 , 1 , 1],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [1, 1 , 0 , 0 , 0 , 0 , 0 , 0]])

我必须找出元素 1 的索引，它在每个方向上都被 1 in 2 x 2 像素包围。

预期答案的位置以粗体显示。

我正在寻找更简单、更快捷的方法。

【问题讨论】：

标签： performance numpy scipy scikit-learn scikit-image

【解决方案1】：

你可以使用一些signal processing -

import numpy as np
from scipy import signal

# Input
data = np.array([[1, 1 , 0 , 0 , 0 , 0 , 1 , 0],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [0, 0 , 1 , 1 , 1 , 1 , 1 , 0],
                 [0, 0 , 1 , 1 , 1 , 1 , 1 , 1],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [1, 1 , 0 , 0 , 0 , 0 , 0 , 0]])

# Extent of the search           
extent = 2;

# Kernel to be used with 2D convolution                 
kernel = np.ones((2*extent+1,2*extent+1))

# Perform 2D convolution with input data and kernel 
filt_out = signal.convolve2d(data, kernel, boundary='symm', mode='same')

# Find where the convolution resulted in a perfect score, 
# i.e is equal to the number of elements in kernel
R,C = np.where( filt_out == kernel.size )

输出 -

In [66]: print(R,C)
[3] [4]

本节列出了一种替代方法，使用 ndimage 执行与前一种方法相同的卷积，保持其余步骤相同。这是获取卷积输出的代码filt_out -

import scipy.ndimage
filt_out = scipy.ndimage.convolve(data,kernel)

【讨论】：

感谢您的尝试。我投了赞成票。但是，我正在考虑使用 scipy.ndimage 来做这件事。你能建议我另一种方法吗？
喜欢maximum_filter、minimum_filter？
@EricBal 我认为 max 或 min 过滤器在这里不起作用，但这些过滤器会在该窗口中寻找最大值。我们想要的是该窗口内的所有元素都是ones。所以我们需要的是对窗口内的所有元素求和，所以卷积适合这里。
@EricBal 添加了ndimage 的替代方法，这可能更容易理解？
那么，filt_out == np.sum(kernel.ravel()) 是什么意思？

【解决方案2】：

basic morphological operation 很容易：

import numpy as np
from scipy.ndimage.morphology import binary_erosion


data = np.array([[1, 1 , 0 , 0 , 0 , 0 , 1 , 0],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [0, 0 , 1 , 1 , 1 , 1 , 1 , 0],
                 [0, 0 , 1 , 1 , 1 , 1 , 1 , 1],
                 [1, 1 , 1 , 1 , 1 , 1 , 1 , 0],
                 [1, 1 , 0 , 0 , 0 , 0 , 0 , 0]])

expected = np.array([[0, 0 , 0 , 0 , 0 , 0 , 0 , 0],
                     [0, 0 , 0 , 0 , 0 , 0 , 0 , 0],
                     [0, 0 , 0 , 0 , 0 , 0 , 0 , 0],
                     [0, 0 , 0 , 0 , 1 , 0 , 0 , 0],
                     [0, 0 , 0 , 0 , 0 , 0 , 0 , 0],
                     [0, 0 , 0 , 0 , 0 , 0 , 0 , 0],
                     [0, 0 , 0 , 0 , 0 , 0 , 0 , 0]])

# otherwise known as np.ones((5, 5))
structuring_element = np.array([[1, 1, 1, 1, 1],
                                [1, 1, 1, 1, 1],
                                [1, 1, 1, 1, 1],
                                [1, 1, 1, 1, 1],
                                [1, 1, 1, 1, 1]])

# will be of dtype np.bool but you can convert with .astype(np.int)
# if you really need
result = binary_erosion(data, structuring_element)

print(result)

print(np.allclose(result, expected))

【讨论】：