Python SciPy ndimage.distance_transform_edt用法及代码示例

本文简要介绍 python 语言中 scipy.ndimage.distance_transform_edt 的用法。

用法:

scipy.ndimage.distance_transform_edt(input, sampling=None, return_distances=True, return_indices=False, distances=None, indices=None)#

精确的欧几里得距离变换。

此函数通过将每个前景(非零)元素替换为其到背景(任何 zero-valued 元素)的最短距离来计算输入的距离变换。

除了距离变换，还可以计算特征变换。在这种情况下，最接近每个前景元素的背景元素的索引在单独的数组中返回。

参数 ：：

input： array_like

输入要转换的数据。可以是任何类型，但会转换为二进制：输入等于 True 的地方为 1，其他地方为 0。

sampling： 浮点数，或浮点数序列，可选

沿每个维度的元素间距。如果是一个序列，其长度必须等于输入等级；如果是单个数字，则用于所有轴。如果未指定，则暗示统一的网格间距。

return_distances： 布尔型，可选

是否计算距离变换。默认为真。

return_indices： 布尔型，可选

是否计算特征变换。默认为假。

distances： float64 ndarray，可选

一个输出数组，用于存储计算的距离变换，而不是返回它。 return_distances 必须为真。它必须与输入的形状相同。

indices： int32 ndarray，可选

一个输出数组，用于存储计算的特征变换，而不是返回它。 return_indicies 必须为真。它的形状必须是 (input.ndim,) + input.shape。

返回 ：：

distances： float64 ndarray，可选

计算出的距离变换。仅当 return_distances 为 True 且未提供距离时才返回。它将具有与输入数组相同的形状。

indices： int32 ndarray，可选

计算的特征变换。对于输入的每个维度，它都有一个input-shaped 数组。请参见下面的示例。仅当 return_indices 为 True 且未提供索引时返回。

注意：

欧几里得距离变换给出欧几里得距离的值：

n
y_i = sqrt(sum (x[i]-b[i])**2)
              i

其中 b[i] 是与输入点 x[i] 的欧几里得距离最小的背景点(值 0)，n 是维数。

例子：

>>> from scipy import ndimage
>>> import numpy as np
>>> a = np.array(([0,1,1,1,1],
...               [0,0,1,1,1],
...               [0,1,1,1,1],
...               [0,1,1,1,0],
...               [0,1,1,0,0]))
>>> ndimage.distance_transform_edt(a)
array([[ 0.    ,  1.    ,  1.4142,  2.2361,  3.    ],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  2.    ],
       [ 0.    ,  1.    ,  1.4142,  1.4142,  1.    ],
       [ 0.    ,  1.    ,  1.4142,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])

沿 x 采样 2 个单位，沿 y 采样 1 个：

>>> ndimage.distance_transform_edt(a, sampling=[2,1])
array([[ 0.    ,  1.    ,  2.    ,  2.8284,  3.6056],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  3.    ],
       [ 0.    ,  1.    ,  2.    ,  2.2361,  2.    ],
       [ 0.    ,  1.    ,  2.    ,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])

还要求索引：

>>> edt, inds = ndimage.distance_transform_edt(a, return_indices=True)
>>> inds
array([[[0, 0, 1, 1, 3],
        [1, 1, 1, 1, 3],
        [2, 2, 1, 3, 3],
        [3, 3, 4, 4, 3],
        [4, 4, 4, 4, 4]],
       [[0, 0, 1, 1, 4],
        [0, 1, 1, 1, 4],
        [0, 0, 1, 4, 4],
        [0, 0, 3, 3, 4],
        [0, 0, 3, 3, 4]]])

为就地输出提供数组：

>>> indices = np.zeros(((np.ndim(a),) + a.shape), dtype=np.int32)
>>> ndimage.distance_transform_edt(a, return_indices=True, indices=indices)
array([[ 0.    ,  1.    ,  1.4142,  2.2361,  3.    ],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  2.    ],
       [ 0.    ,  1.    ,  1.4142,  1.4142,  1.    ],
       [ 0.    ,  1.    ,  1.4142,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])
>>> indices
array([[[0, 0, 1, 1, 3],
        [1, 1, 1, 1, 3],
        [2, 2, 1, 3, 3],
        [3, 3, 4, 4, 3],
        [4, 4, 4, 4, 4]],
       [[0, 0, 1, 1, 4],
        [0, 1, 1, 1, 4],
        [0, 0, 1, 4, 4],
        [0, 0, 3, 3, 4],
        [0, 0, 3, 3, 4]]])