在 NumPy 中对位置相关的函数进行矢量化

Question

我了解矢量化的概念，以及当您想调整每个单独的元素时如何避免使用循环遍历元素，但是当我们有条件时我不知道如何做到这一点基于像素的相邻值。

例如，如果我有一个面具：

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

我想通过评估掩码中的相邻组件来更改元素，如下所示：

if sum(mask[j-1:j+2,i-1:i+2].flatten())>1 and mask[j,i]!=1:
    out[j,i]=1

当我特别需要访问相邻元素时如何向量化操作？

提前致谢。

完整循环：

import numpy as np

mask = np.array([[0,0,0,0], [1,0,0,0], [0,0,0,1],  [1,0,0,0]])
out = np.zeros(mask.shape)
for j in range(len(mask)):
    for i in range(len(mask[0])):
        if sum(mask[j-1:j+2,i-1:i+2].flatten())>1 and mask[j,i]!=1:
            out[j,i]=1

输出：

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 0. 0.]]

Answer 1

这种“邻域求和”运算通常称为二维卷积。在您的情况下，由于您没有任何权重，因此可以在（IMO 名称有点不好）scipy.ndimage.uniform_filter 中有效地实现它，它可以计算邻域的平均值（总和是 只是平均值乘以大小）。

import numpy as np
from scipy.ndimage import uniform_filter

mask = np.array([[0,0,0,0], [1,0,0,0], [0,0,0,1], [1,0,0,0]])
neighbor_sum = 9 * uniform_filter(mask.astype(np.float32), 3, mode="constant")
neighbor_sum = np.rint(neighbor_sum).astype(int)
out = ((neighbor_sum > 1) & (mask != 1)).astype(int)
print(out)

输出（与您的示例不同，但手动查看是正确的，假设您不希望边缘环绕）：

[[0 0 0 0]
 [0 0 0 0]
 [1 1 0 0]
 [0 0 0 0]]

如果您确实希望边缘环绕（或其他边缘行为），请查看 uniform_filter 的 mode 参数。