我基本上想用 numpy 裁剪图像——我有一个 3 维 numpy.ndarray 对象，即：
[ [0,0,0,0], [255,255,255,255], ....]
[0,0,0,0], [255,255,255,255], ....] ]
我要删除空格的位置，在上下文中，已知空格是[0,0,0,0] 的整行或整列。
在这个例子中，让每个像素只是一个数字，我试图从本质上做到这一点：
鉴于此：*编辑：选择一个稍微复杂一点的例子来说明
[ [0,0,0,0,0,0]
[0,0,1,1,1,0]
[0,1,1,0,1,0]
[0,0,0,1,1,0]
[0,0,0,0,0,0]]
我正在尝试创建这个：
[ [0,1,1,1],
[1,1,0,1],
[0,0,1,1] ]
我可以通过循环来强制执行此操作，但直觉上我觉得 numpy 有更好的方法来执行此操作。
【问题讨论】：
一般来说，您需要查看scipy.ndimage.label 和scipy.ndimage.find_objects 以提取满足条件的连续区域的边界框。
但是，在这种情况下，您可以使用“普通”numpy 轻松完成。
我假设你在这里有一个nrows x ncols x nbands 数组。 nbands x nrows x ncols 的另一个约定也很常见，所以看看你的数组的形状。
考虑到这一点，您可能会做类似的事情：
mask = im == 0
all_white = mask.sum(axis=2) == 0
rows = np.flatnonzero((~all_white).sum(axis=1))
cols = np.flatnonzero((~all_white).sum(axis=0))
crop = im[rows.min():rows.max()+1, cols.min():cols.max()+1, :]
对于您的 2D 示例，它看起来像：
import numpy as np
im = np.array([[0,0,0,0,0,0],
[0,0,1,1,1,0],
[0,1,1,0,1,0],
[0,0,0,1,1,0],
[0,0,0,0,0,0]])
mask = im == 0
rows = np.flatnonzero((~mask).sum(axis=1))
cols = np.flatnonzero((~mask).sum(axis=0))
crop = im[rows.min():rows.max()+1, cols.min():cols.max()+1]
print crop
让我们稍微分解一下 2D 示例。
In [1]: import numpy as np
In [2]: im = np.array([[0,0,0,0,0,0],
...: [0,0,1,1,1,0],
...: [0,1,1,0,1,0],
...: [0,0,0,1,1,0],
...: [0,0,0,0,0,0]])
好的，现在让我们创建一个满足我们条件的布尔数组：
In [3]: mask = im == 0
In [4]: mask
Out[4]:
array([[ True, True, True, True, True, True],
[ True, True, False, False, False, True],
[ True, False, False, True, False, True],
[ True, True, True, False, False, True],
[ True, True, True, True, True, True]], dtype=bool)
另外，请注意 ~ 运算符在布尔数组上的作用类似于 logical_not：
In [5]: ~mask
Out[5]:
array([[False, False, False, False, False, False],
[False, False, True, True, True, False],
[False, True, True, False, True, False],
[False, False, False, True, True, False],
[False, False, False, False, False, False]], dtype=bool)
考虑到这一点，要找到所有元素都为假的行，我们可以跨列求和：
In [6]: (~mask).sum(axis=1)
Out[6]: array([0, 3, 3, 2, 0])
如果没有元素为真，我们将得到一个 0。
类似地，要找到所有元素都为假的列，我们可以跨行求和：
In [7]: (~mask).sum(axis=0)
Out[7]: array([0, 1, 2, 2, 3, 0])
现在我们需要做的就是找到不为零的第一个和最后一个。 np.flatnonzero 比 nonzero 简单一点，在这种情况下：
In [8]: np.flatnonzero((~mask).sum(axis=1))
Out[8]: array([1, 2, 3])
In [9]: np.flatnonzero((~mask).sum(axis=0))
Out[9]: array([1, 2, 3, 4])
然后，您可以轻松地根据最小/最大非零元素切出区域：
In [10]: rows = np.flatnonzero((~mask).sum(axis=1))
In [11]: cols = np.flatnonzero((~mask).sum(axis=0))
In [12]: im[rows.min():rows.max()+1, cols.min():cols.max()+1]
Out[12]:
array([[0, 1, 1, 1],
[1, 1, 0, 1],
[0, 0, 1, 1]])
【讨论】：
对任意维度实现此功能的一种方法是：
import numpy as np
def trim(arr, mask):
bounding_box = tuple(
slice(np.min(indexes), np.max(indexes) + 1)
for indexes in np.where(mask))
return arr[bounding_box]
FlyingCircus 提供了一个稍微灵活的解决方案（您可以在其中指明要作用于哪个轴）（免责声明：我是该软件包的主要作者）。
【讨论】：
您可以使用np.nonzero 函数找到您的零值，然后从原始数组中切出非零元素并重新整形为您想要的：
import numpy as np
n = np.array([ [0,0,0,0,0,0],
[0,0,1,1,1,0],
[0,0,1,1,1,0],
[0,0,1,1,1,0],
[0,0,0,0,0,0]])
elems = n[n.nonzero()]
In [415]: elems
Out[415]: array([1, 1, 1, 1, 1, 1, 1, 1, 1])
In [416]: elems.reshape(3,3)
Out[416]:
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
【讨论】：