识别布尔数组/blob的内部 - NumPy / Python答案

【问题标题】：Identify the interior of a boolean array / blob - NumPy / Python识别布尔数组/blob的内部 - NumPy / Python
【发布时间】：2019-08-09 08:42:28
【问题描述】：

假设我有一个形状为 (nrows,ncols) 的布尔数组。 True 表示我有一个定义的值（实数），而 False 表示一个未定义的/（不感兴趣的）值。

我试图找出一种有效的方法来提取边界和内部的行和列，例如，如果我有一个流动的布尔数组，我用红色标记边界，用绿色标记内部：

那么所需的输出将是（绿色 True 的位置）：

内部 = [(2,3), (2,4)]

我们可以假设内部总是相连的。

使用 np.where(array == False)[0]，我得到了 False 的索引，但是如何从这里到边界索引，然后到内部？我当然可以遍历每个布尔值并检查是否有任何邻居是 False，如果不是，那么它是内部的。

关于如何在不循环的情况下有效地执行此操作的任何提示？另一个要清楚的例子：

期望的输出： 内部 = [(2,3) , (2,4) , (3,3) , (3,4) , (3,5) , (4,3), (4,4), (4 ,5)]

输出也可以是一个布尔数组，在内部位置包含 True，否则为 False。不要紧。提前致谢。

【问题讨论】：

标签： python python-3.x numpy image-processing

【解决方案1】：

方法#1

我们可以使用2D convolution -

from scipy.signal import convolve2d

def interior_indices(a):
    kernel = np.ones((3,3),dtype=int)
    return np.argwhere(convolve2d(a,kernel,'same')==9)

示例运行 -

In [44]: a1
Out[44]: 
array([[False, False, False, False, False, False, False, False],
       [ True,  True,  True,  True,  True,  True, False, False],
       [False,  True,  True,  True,  True,  True,  True, False],
       [False, False,  True,  True,  True,  True, False, False]])

In [45]: interior_indices(a1)
Out[45]: 
array([[2, 3],
       [2, 4]])

In [46]: a2
Out[46]: 
array([[False, False, False, False, False, False, False, False],
       [False,  True,  True,  True,  True,  True, False, False],
       [False,  True,  True,  True,  True,  True,  True, False],
       [False, False,  True,  True,  True,  True,  True, False],
       [False, False,  True,  True,  True,  True,  True, False],
       [False,  True,  True,  True,  True,  True,  True, False],
       [False, False, False,  True,  True, False, False, False]])

In [47]: interior_indices(a2)
Out[47]: 
array([[2, 3],
       [2, 4],
       [3, 3],
       [3, 4],
       [3, 5],
       [4, 3],
       [4, 4],
       [4, 5]])

方法 #2

或者，uniform-filter -

In [61]: from scipy.ndimage import uniform_filter

In [62]: np.argwhere(uniform_filter(a1,mode='constant'))
Out[62]: 
array([[2, 3],
       [2, 4]])

In [63]: np.argwhere(uniform_filter(a2,mode='constant'))
Out[63]: 
array([[2, 3],
       [2, 4],
       [3, 3],
       [3, 4],
       [3, 5],
       [4, 3],
       [4, 4],
       [4, 5]])

方法#3

还有binary-erosion -

In [72]: from scipy.ndimage.morphology import binary_erosion

In [73]: kernel = np.ones((3,3),dtype=bool)

In [74]: np.argwhere(binary_erosion(a1,kernel))
Out[74]: 
array([[2, 3],
       [2, 4]])

In [75]: np.argwhere(binary_erosion(a2,kernel))
Out[75]: 
array([[2, 3],
       [2, 4],
       [3, 3],
       [3, 4],
       [3, 5],
       [4, 3],
       [4, 4],
       [4, 5]])

【讨论】：

这对我来说很神奇 :) 我想这比我的要快得多，因为您在计算过程中不存储 8 个矩阵？

【解决方案2】：

找到方法了！如果它太琐碎，投票删除:)

    #data: the boolean array

    d0 = data[1:-1, 2:]
    d1 = data[:-2, 2:]
    d2 = data[:-2, 1:-1]
    d3 = data[:-2, :-2]
    d4 = data[1:-1, :-2]
    d5 = data[2:, :-2]
    d6 = data[2:, 1:-1]
    d7 = data[2:, 2:]


    interior = np.where(d0 & d1 & d2 & d3 & d4 & d5 & d6 & d7, True, False)

【讨论】：