使用像素统计进行掩蔽

Question

我正在尝试屏蔽从检测器获取的数据集中的坏像素。在我试图想出一个通用的方法来做到这一点以便我可以运行跨不同图像使用相同的代码时，我尝试了几种不同的方法，但其中 none 最终起作用了。我对 Python 中的编码和数据分析还很陌生，所以我可以用计算机可以理解的方式来表达事物。

例如，考虑矩阵

A = np.array([[3,5,50],[30,2,6],[25,1,1]])

我想要做的是将 A 中与平均值相差两个标准差的任何元素设置为零。这样做的原因是，在代码的后面，我定义了一个只使用非零值进行计算的函数，因为零是掩码的一部分。

我知道这种屏蔽技术有效，但我尝试扩展以下代码以使用标准差：

mask = np.ones(np.shape(A))
mask.flat[A.flat > 20] = 0

我试过的是：

mask = np.ones(np.shape(A))
for i,j in A:
    mask.flat[A[i,j] - 2*np.std(A) < np.mean(A) < A[i,j] + 2*np.std(A)] = 0

抛出错误：

ValueError: too many values to unpack (expected 2)

如果有人有更好的技术来统计删除图像中的坏像素，我会洗耳恭听。感谢您的帮助！

==========

编辑

经过反复试验，我找到了一个可以帮助澄清我的问题的地方。新代码是：

for i in A:
    for j in i:
        mask.flat[ j - 2*np.std(A) < np.mean(A) < j + 2*np.std(A)] = 0

这会抛出一个错误 'unsupported iterator index'。我想要发生的是 for 循环遍历数组中的每个元素，检查它是否 less/greater 比均值的 2 个标准偏差，并且将其设置为零。

Answer 1

你 A 是三维的，所以你需要使用如下三个变量解包。

A = np.array([[3,5,50],[30,2,6],[25,1,1]])
for i in A:
    for j in i:
        print(j)

Answer 2

这是一种处理较大图像的方法，速度会稍快一些：

import numpy as np
import matplotlib.pyplot as plt

# generate dummy image
a = np.random.randint(1,5, (5,5))
# generate dummy outliers
a[4,4] = 20
a[2,3] = -6

# initialise mask
mask = np.ones_like(a)

# subtract mean and normalise to standard deviation.
# then any pixel in the resulting array that has an absolute value > 2 
# is more than two standard deviations away from the mean
cond = (a-np.mean(a))/np.std(a)

# find those pixels and set them to zero.
mask[abs(cond) > 2] = 0

检验：

a
array([[ 1,  1,  3,  4,  2],
       [ 1,  2,  4,  1,  2],
       [ 1,  4,  3, -6,  1],
       [ 2,  2,  1,  3,  2],
       [ 4,  1,  3,  2, 20]])

np.round(cond, 2)
array([[-0.39, -0.39,  0.11,  0.36, -0.14],
       [-0.39, -0.14,  0.36, -0.39, -0.14],
       [-0.39,  0.36,  0.11, -2.12, -0.39],
       [-0.14, -0.14, -0.39,  0.11, -0.14],
       [ 0.36, -0.39,  0.11, -0.14,  4.32]])

mask 
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 0, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 0]])

使用像素统计进行掩蔽

Masking Using Pixel Statistics

python

numpy

image-processing

data-analysis

masking