在 NumPy 中向量化位置相关函数

Question

我了解矢量化的概念，以及当您想要调整每个单独的元素时如何避免使用循环运行通过元素，但是我不知道该怎么做这是当我们有一个基于像素相邻值的条件时。

例如，如果我有口罩：

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

这样的'neighborhood sum'操作通常被称为二维卷积。在您的情况下，由于您没有任何权重，因此可以在（IMO 有点不好命名）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（这与您的示例不同，但手工查看是正确的，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。

在 NumPy 中向量化位置相关函数

Vectorizing a positionally reliant function in NumPy

python

numpy

vectorization