使用像素统计遮罩

Question

我正在尝试掩盖从检测器获取的数据集中的坏像素。为了想出一个通用的方法来做到这一点，以便我可以在不同的图像上运行相同的代码，我尝试了几种不同的方法，但没有一个最终能奏效。我对 Python 中的编码和数据分析非常陌生，所以我可以用手将事物按照计算机可以理解的方式来表达。

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。原因是在后面的代码中，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处理标准偏差：

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

我尝试的是：

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

哪个会引发错误：

ValueError：解包的值太多（预计 2 个）

---

如果有人有更好的技术来统计去除图像中的坏像素，我会全力以赴。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

这会引发“不支持的迭代器索引”错误。我想要发生的是 for 循环遍历数组中的每个元素，检查它是否小于/大于平均值的 2 个标准偏差，并且将其设置为零。

Answer 1

这是一种在较大图像上会稍微快一些的方法：

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]])

Answer 2

你的 A 是三维的，所以你需要使用下面的三个变量来解包。

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