如何在 2D numpy 数组中定位值的特定“区域”？

Question

我正在使用由 101x101=10201 值组成的二维 numpy 数组。这些值属于float 类型，范围从0.0 到1.0。该数组有一个X,Y 坐标系，它起源于左上角：因此，位置(0,0) 位于左上角，而位置(101,101) 位于右下角。

这是二维数组的样子（只是摘录）：

X,Y,Value
0,0,0.482
0,1,0.49
0,2,0.496
0,3,0.495
0,4,0.49
0,5,0.489
0,6,0.5
0,7,0.504
0,8,0.494
0,9,0.485

我希望能够：

1) 计算值超过给定阈值的单元格区域数（见下图），例如0.3；

2) 确定这些区域的视觉中心与坐标为(0,0)的左上角之间的距离。

如何在 Python 2.7 中做到这一点？

这是一个 2D 数组的可视化表示，其中 2 个区域突出显示（颜色越深，值越高）：

Answer 1

您可以使用简单的布尔条件找到满足您截断的像素，然后使用 scipy.ndimage.label 和 scipy.ndimage.center_of_mass 找到连接区域并计算它们的质心：

import numpy as np
from scipy import ndimage
from matplotlib import pyplot as plt

# generate some lowpass-filtered noise as a test image
gen = np.random.RandomState(0)
img = gen.poisson(2, size=(512, 512))
img = ndimage.gaussian_filter(img.astype(np.double), (30, 30))
img -= img.min()
img /= img.max()

# use a boolean condition to find where pixel values are > 0.75
blobs = img > 0.75

# label connected regions that satisfy this condition
labels, nlabels = ndimage.label(blobs)

# find their centres of mass. in this case I'm weighting by the pixel values in
# `img`, but you could also pass the boolean values in `blobs` to compute the
# unweighted centroids.
r, c = np.vstack(ndimage.center_of_mass(img, labels, np.arange(nlabels) + 1)).T

# find their distances from the top-left corner
d = np.sqrt(r*r + c*c)

# plot
fig, ax = plt.subplots(1, 2, sharex=True, sharey=True, figsize=(10, 5))
ax[0].imshow(img)
ax[1].hold(True)
ax[1].imshow(np.ma.masked_array(labels, ~blobs), cmap=plt.cm.rainbow)
for ri, ci, di in zip(r, c, d):
    ax[1].annotate('', xy=(0, 0), xytext=(ci, ri),
                   arrowprops={'arrowstyle':'<-', 'shrinkA':0})
    ax[1].annotate('d=%.1f' % di, xy=(ci, ri),  xytext=(0, -5),
                   textcoords='offset points', ha='center', va='top',
                   fontsize='x-large')
for aa in ax.flat:
    aa.set_axis_off()
fig.tight_layout()
plt.show()