在 numpy 数组中提取非零值组答案

【问题标题】：Extract groups of nonzero values in a numpy array在 numpy 数组中提取非零值组
【发布时间】：2020-07-14 10:26:14
【问题描述】：

我正在尝试从 numpy 数组中提取非零值的矩形组。数组可能看起来像这样（但要大得多）：

a = np.array([
     [0,0,0,0,0,0,0,0,0,0,0],
     [0,0,0,0,0,1,1,1,1,1,0],
     [0,0,0,0,6,1,1,1,3,1,0],
     [0,0,0,0,0,1,1,1,1,1,0],
     [0,0,0,0,2,2,2,0,1,0,0],
     [0,0,0,0,2,2,0,0,0,0,0],
     [0,0,0,0,0,0,0,0,0,0,0],
     [1,1,1,1,0,0,0,0,0,0,0],
     [1,1,1,1,0,0,0,0,7,2,0],
     [1,1,1,1,0,0,0,0,0,0,0]])

我想提取大于给定大小（例如大于 3x3）的非零值的组/块，即这些块的最小和最大角的坐标。在这个例子中，我应该得到以下信息：

res = [[(7,0), (10,4)],
       [(1,5), (4,10)]]

这样

In [12]: xmin, ymin = res[0][0]

In [13]: xmax, ymax = res[0][1]

In [14]: a[xmin:xmax, ymin:ymax]
Out[14]:
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

In [15]: xmin, ymin = res[1][0]

In [16]: xmax, ymax = res[1][1]

In [17]: a[xmin:xmax, ymin:ymax]
Out[17]:
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 3, 1],
       [1, 1, 1, 1, 1]])

我尝试查看数组的每个非零值，并从此时开始增长所需大小的形状，直到它包含零。它可以工作，但速度很慢。对于这个示例数组，大约需要 1.17 毫秒，在实际应用程序（即 600x1000 阵列）中大约需要 18 秒，这太慢了。是否有 numpy 或 OpenCV 函数或技巧可以更快地执行此操作？

【问题讨论】：

你的数组是什么数据？
它们是深度图像，包含每个像素从相机到现实生活对象的距离（以米为单位）

标签： python numpy

【解决方案1】：

我认为使用morpholical transforms 有一个非常简单的解决方案。 opening（erosion 后跟 dilation）只会缩小小于所需大小 (3x3) 的区域，然后恢复剩余的区域。这是a 转换为uint8 后的视图：

现在我将在上面申请opening：

out = cv2.morphologyEx(a, cv2.MORPH_OPEN, np.ones((3,3), dtype=np.uint8))

可视化out：

如您所见，只需一行代码即可识别矩形区域。您也可以将此输出用作位掩码来过滤掉原始图像。

a_ = a.copy()
a_[np.logical_not(out.astype('bool'))] = 0

现在，如果您需要计算矩形的角坐标，则更具挑战性。您可以打破大炮并应用轮廓检测，但我觉得更简单的connected components 分析应该也可以工作。

from skimage.measure import label
out_ = label(out, connectivity=1)

现在out_ 数组中的每个区域都标有一个单独的数字，从 0 到 N_regions-1（其中 0 是背景区域）。其余的工作非常简单。您可以遍历每个数字并进行一些简单的 numpy 比较以找出每个编号区域的坐标。

利用 skimage 的regionprops，我们可以更快地完成工作。我们将把它应用到out_，我们之前计算的标签图像。

from skimage.measure import regionprops

for r in regionprops(out_):
  print('({},{}), ({},{})'.format(*r.bbox))

输出：

(1,5), (4,10)
(7,0), (10,4)

【讨论】：

【解决方案2】：

您的问题似乎是典型的计算机视觉问题。您正在寻找不是背景且具有特定形状（矩形）和大小（最小 3x3）的区域。

对于这类问题，我们使用blob 分析。

我不想写一个具体的例子，因为其中包含更多可能对您的工作也很有趣的功能。有许多用于斑点分析的示例。这是一个很好的起点：https://www.learnopencv.com/blob-detection-using-opencv-python-c/

我的信息的简短扩展：该网站的示例基于旧版本的 opencv。以下代码是较新版本的实现。 conda 目前提供的最新版本是 OpenCV 3.4.2：

# Standard imports
import cv2
import numpy as np;

# Read image
im = cv2.imread("blob.png", cv2.IMREAD_GRAYSCALE)

# Set up the detector with default parameters.
detector = cv2.SimpleBlobDetector_create()

# Detect blobs.
keypoints = detector.detect(im)

# Draw detected blobs as red circles.
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS ensures the size of the circle corresponds to the size of blob
im_with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]), (0,0,255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# Show keypoints
cv2.imshow("Keypoints", im_with_keypoints)
cv2.waitKey(0)

重要的变化是检测器的创建。

【讨论】：