Scipy 具有多维（或非标量）输出的过滤器

Question

有没有类似ndimage的generic_filter的滤镜支持向量输出？我没能使 scipy.ndimage.filters.generic_filter return 不仅仅是一个标量。取消注释下面代码中的行以获取错误：TypeError: only length-1 arrays can be converted to Python scalars.

我正在寻找一个处理 2D 或 3D 数组的通用过滤器，return在每个点都有一个向量。因此，输出将增加一个维度。对于下面的示例，我希望是这样的：

m.shape    # (10,10)
res.shape  # (10,10,2)

示例代码

import numpy as np
from scipy import ndimage

a = np.ones((10, 10)) * np.arange(10)

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

def myfunc(x):
    r = sum(x)
    #r = np.array([1,1])  # uncomment this
    return r

res = ndimage.generic_filter(a, myfunc, footprint=footprint)

Answer 1

我想我明白你的问题了，但我不完全确定 ndimage.generic_filter 是如何工作的（来源多么深奥！）。

这里只是一个简单的包装函数。此函数将接收一个数组，其中包含 ndimage.generic_filter 需要的所有参数。函数 returns 一个数组，其中前一个数组的每个元素现在由形状为 (2,) 的 array 表示，结果为该函数存储为该数组的第二个元素。

def generic_expand_filter(inarr, func, **kwargs):
    shape = inarr.shape
    res = np.empty((  shape+(2,) ))
    temp = ndimage.generic_filter(inarr, func, **kwargs)
    for row in range(shape[0]):
        for val in range(shape[1]):
            res[row][val][0] = inarr[row][val]
            res[row][val][1] = temp[row][val]
    return res

输出，其中res表示只是generic_filter，res2表示generic_expand_filter，这个函数是：

>>> a.shape #same as res.shape
(10, 10)
>>> res2.shape
(10, 10, 2)

>>> a[0]
array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.])
>>> res[0]
array([  3.,   8.,  16.,  24.,  32.,  40.,  48.,  56.,  64.,  69.])
>>> print(*res2[0], sep=", ") #this is just to avoid the vertical default output
[ 0.  3.], [ 1.  8.], [  2.  16.], [  3.  24.], [  4.  32.], [  5.  40.], [  6.  48.], [  7.  56.], [  8.  64.], [  9.  69.]

>>> a[0][0]
0.0
>>> res[0][0]
3.0
>>> res2[0][0]
array([ 0.,  3.])

当然，您可能不想保存旧数组，而是将两个字段都作为新结果。除了我不知道你到底在想什么，如果你想要存储的两个值不相关，只需添加一个 temp2 和 func2 并调用另一个 generic_filter 相同的 **kwargs 并将其存储为第一个值。

但是，如果您想要使用多个 inarr 元素计算的实际矢量，这意味着两个新创建的字段不是独立的，您只需要编写那种函数，一个接受数组、idx、idy 索引和 returns 一个 tuple\list\array 值，然后您可以将其解包并分配给结果。

Answer 2

generic_filter 期望 myfunc 到 return 是标量，而不是向量。但是，没有什么可以阻止 myfunc 也添加信息例如，作为额外参数传递给 myfunc 的列表。

我们可以通过重塑此列表来生成向量值数组，而不是使用 return 由 generic_filter 编辑的数组。

例如，

import numpy as np
from scipy import ndimage

a = np.ones((10, 10)) * np.arange(10)

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

ndim = 2
def myfunc(x, out):
    r = np.arange(ndim, dtype='float64')
    out.extend(r)
    return 0

result = []
ndimage.generic_filter(
    a, myfunc, footprint=footprint, extra_arguments=(result,))
result = np.array(result).reshape(a.shape+(ndim,))

Scipy 具有多维（或非标量）输出的过滤器

Scipy filter with multi-dimensional (or non-scalar) output

python

numpy

image-processing

scipy

ndimage