Numpy - 泛化随时间维度的裁剪

【问题标题】：Numpy - Generalize cropping over time dimensionNumpy - 泛化随时间维度的裁剪
【发布时间】：2020-07-31 09:53:13
【问题描述】：

我有一个裁剪方法，适用于 (N, M) 数组，我希望它适用于 (T, N, M) - 请参阅以下我尝试过但不起作用的方法（提示 - 无法获取 np.vectorize工作）

这是方法

def crop(image: np.ndarray) -> np.ndarray:
    """
    Crop a single image
    """
    image_cropped = image[~np.all(image == 0, axis=1)]
    image_cropped = image_cropped[:, ~np.all(image_cropped == 0, axis=0)]

    return image_cropped

我尝试了什么

np.vectorize(crop)(sequence_of_images) 导致此错误：numpy.AxisError: axis 1 is out of bounds for array of dimension 0
np.apply_along_axis(crop, 0, sequence_of_images) 导致此错误：numpy.AxisError: axis 1 is out of bounds for array of dimension 1

如何在不使用循环的情况下使其工作？（可以假设每张图片在时间维度上，裁剪后的大小都是一样的，虽然裁剪后的mask不一样）

【问题讨论】：

标签： python performance numpy vectorization

【解决方案1】：

对于2D image，可以使用行和列的外部掩码复制链式索引。

因此，

m1 = ~np.all(image == 0, axis=1)
m2 =  ~np.all(image_cropped == 0, axis=0)

image_cropped = image[m1, :]
image_cropped = image_cropped[:, m2]

将等同于：

image_cropped = image_cropped[outer_mask(m1, m2)]

我们会将这些知识转移到3D 案例中。此外，可以使用 keepdims=True 减少 ALL 并最终使用处理外部操作的元素乘法，轻松地从两个 mak 构建 3D 的外部掩码。

因此，我们将得到：

mask_0s = image_nd == 0
mask1 = ~np.all(mask_0s, axis=2, keepdims=True)
mask2 = ~np.all(mask_0s, axis=1, keepdims=True)
out = image_nd[mask1 & mask2]

终于有了3D数组输出：

out = out.reshape(image_nd.shape[0],-1,mask2[0].sum())

【讨论】：

漂亮！请您详细说明每个步骤，以便我理解这里的逻辑吗？
@bluesummers 添加了一些解释。