自适应灰度膨胀实现
Adaptive grayscale dilation implementation
给定一个值从 0 到 n 的二维数组，我想根据每个像素包含的值扩大每个像素，较高的值应该在扩大期间覆盖较低的值。
也就是说，半径等于一个像素值的任何像素，如果它们的值较小，则继承该值。例如，如果输入是 [0 1 0 2 0 0]，输出将是 [1 2 2 2 2 2 ].
如何实现？
您的口头描述正是您将如何实现该算法：对于每个像素（我们称其值为 r），检查其邻域，邻域的大小由 r 给出。在此邻域内，如果所有像素的值较低，则将其设置为 r。你确实需要写入一个独立的输出图像，你不能在不破坏逻辑的情况下修改输入。
这当然是通过一组嵌套循环实现的：首先循环遍历图像中的每个像素，然后在该循环中循环遍历邻域中的每个像素。
Python 循环很慢，所以写成 Python 时效率不高。您可以尝试使用 numba 来加快速度。如果足够重要，请用 C 或 C++ 等母语编写。
如果 n 很小，与使用阈值分解的明显实现相比，此操作可能会加快一点。
我们的想法是循环遍历图像中的灰度值 r。在每次迭代中，用大小为 r 的 SE 扩大二值图像 img==r（对于值为 r 的像素为真，其他地方为假）。接下来，通过在扩展图像中获取元素方面的最大值来组成最终输出图像。请注意，您可以在循环中逐步累加最终结果，取前一个结果的最大值和新的扩张。
此实现做了更多工作，但由于您使用的是整幅图像操作，因此可以最大限度地减少 Python 循环的数量，因此（希望）加快代码速度。
给定一个值从 0 到 n 的二维数组，我想根据每个像素包含的值扩大每个像素，较高的值应该在扩大期间覆盖较低的值。
也就是说，半径等于一个像素值的任何像素，如果它们的值较小，则继承该值。例如，如果输入是 [0 1 0 2 0 0]，输出将是 [1 2 2 2 2 2 ].
如何实现？
您的口头描述正是您将如何实现该算法：对于每个像素（我们称其值为 r），检查其邻域，邻域的大小由 r 给出。在此邻域内，如果所有像素的值较低，则将其设置为 r。你确实需要写入一个独立的输出图像，你不能在不破坏逻辑的情况下修改输入。
这当然是通过一组嵌套循环实现的：首先循环遍历图像中的每个像素，然后在该循环中循环遍历邻域中的每个像素。
Python 循环很慢，所以写成 Python 时效率不高。您可以尝试使用 numba 来加快速度。如果足够重要，请用 C 或 C++ 等母语编写。
如果 n 很小，与使用阈值分解的明显实现相比，此操作可能会加快一点。
我们的想法是循环遍历图像中的灰度值 r。在每次迭代中，用大小为 r 的 SE 扩大二值图像 img==r（对于值为 r 的像素为真，其他地方为假）。接下来，通过在扩展图像中获取元素方面的最大值来组成最终输出图像。请注意，您可以在循环中逐步累加最终结果，取前一个结果的最大值和新的扩张。
此实现做了更多工作，但由于您使用的是整幅图像操作，因此可以最大限度地减少 Python 循环的数量，因此（希望）加快代码速度。