python - 基于连通邻域的 boolean 交集 - NumPy/Python

Question

有这两个数组:

import numpy as np

arr1 = np.array([[0,0,0,0,1,0],
                 [0,0,0,0,0,0],
                 [0,0,0,0,0,0],
                 [0,1,0,0,1,0],
                 [0,0,0,0,0,0]], dtype=bool)

arr2 = np.array([[0,1,1,0,0,0],
                 [0,1,1,0,0,0],
                 [0,0,0,0,1,1],
                 [1,1,0,0,1,1],
                 [1,1,0,0,0,0]], dtype=bool)

我需要一种逻辑操作，将 arr2 中被 arr1 拦截的任何连接特征返回为 True。结果应该是这样的:

arr3 = np.array([[0,0,0,0,0,0],
                 [0,0,0,0,0,0],
                 [0,0,0,0,1,1],
                 [1,1,0,0,1,1],
                 [1,1,0,0,0,0]], dtype=bool)

我检查了 python 中的逻辑操作和 numpy logic functions ，但似乎没有任何效果。有任何想法吗？谢谢:)

Answer 1

方法 #1

我们可以使用基于图像处理的标记函数根据连通性标记图像，然后使用掩蔽来获得我们想要的输出。要进行标记，我们可以使用 skimage.measure.label .或者，我们也可以使用 scipy.ndimage.label得到那个标记的图像。因此，一种解决方案是 -

from skimage.measure import label as sklabel

def func1(arr1,arr2):
    # Get labeled image
    L = sklabel(arr2)

    # Get all present labels (this would also include zero label)
    present_labels = L[arr1]

    # Get presence of these labels in the labeled image. Remove the zero regions
    # by AND-ing with arr2.
    return np.isin(L,present_labels) & arr2

给定样本的输出-

In [141]: func1(arr1,arr2)
Out[141]: 
array([[False, False, False, False, False, False],
       [False, False, False, False, False, False],
       [False, False, False, False,  True,  True],
       [ True,  True, False, False,  True,  True],
       [ True,  True, False, False, False, False]])

方法 #2

对于大 blob，我们应该在使用 np.isin 之前获取唯一的当前标签以提高性能。为了有效地获得那些独特的，我们可以使用 pandas.factorize。标签部分也可以通过使用 SciPy 版本来提高性能。因此，对于这种情况，另一种更有效的解决方案是 -

from scipy.ndimage import label as splabel
import pandas as pd

def func2(arr1,arr2):
    L = splabel(arr2)[0]
    pL = pd.factorize(L[arr1])[1]
    return np.isin(L,pL[pL!=0])

基准测试

我们将使用给定的示例数据，沿行和列将其放大 1000x，同时保持相同数量的 blob。为了扩大规模，我们将使用 np.repeat -

In [147]: arr1 = arr1.repeat(1000, axis=0).repeat(1000, axis=1)

In [148]: arr2 = arr2.repeat(1000, axis=0).repeat(1000, axis=1)

In [149]: %timeit func1(arr1,arr2)
     ...: %timeit func2(arr1,arr2)
1.75 s ± 7.01 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
226 ms ± 5.99 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)