通过最近的"种子"区域对Python数组进行分类？

Question

我有一个生态栖息地的栅格,我已经转换成二维Python numpy数组(下面的example_array).我还有一个包含具有唯一值的"种子"区域的数组(下面的seed_array),我想用它来对我的栖息地区域进行分类.我想将我的种子区域"种植"到我的栖息地区域,以便为栖息地分配最近种子区域的ID,通过栖息地区域进行测量.例如:

我最好的方法是使用该ndimage.distance_transform_edt函数创建一个数组,描述数据集中每个单元格最近的"种子"区域,然后将其替换回栖息地数组.然而,这并不是特别好用,因为该功能不能测量"通过"我的栖息地区域的距离,例如下面的红色圆圈表示错误分类的单元格:

下面是我的栖​​息地和种子数据的示例数组,以及我正在寻找的输出类型的示例.我的实际数据集要大得多 - 超过一百万个栖息地/种子区域.任何帮助将非常感激!

import numpy as np
import scipy.ndimage as ndimage
import matplotlib.pyplot as plt

# Sample study area array
example_array = np.array([[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
                          [0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1],
                          [0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1],
                          [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0],
                          [1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1],
                          [1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 1, 1],
                          [1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1],
                          [1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0],
                          [1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0],
                          [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                          [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                          [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# Plot example array
plt.imshow(example_array, cmap="spectral", interpolation='nearest')

seed_array = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 1, 1, 1, 0, 0, 2, 2, 0, 0, 0, 0],
                       [0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# Plot seeds
plt.imshow(seed_array, cmap="spectral", interpolation='nearest')

desired_output = np.array([[0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0],
                           [0, 0, 0, 4, 4, 4, 0, 0, 0, 3, 3, 3],
                           [0, 0, 0, 0, 4, 4, 0, 0, 0, 3, 3, 3],
                           [0, 0, 0, 0, 0, 0, 0, 0, 3, 0, 3, 0],
                           [1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 3, 3],
                           [1, 1, 0, 1, 0, 0, 0, 0, 2, 2, 3, 3],
                           [1, 1, 1, 1, 0, 0, 2, 2, 2, 0, 0, 3],
                           [1, 1, 1, 1, 1, 2, 2, 2, 2, 0, 0, 0],
                           [1, 1, 1, 1, 0, 0, 2, 2, 2, 0, 0, 0],
                           [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                           [1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
                           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# Plot desired output
plt.imshow(desired_output, cmap="spectral", interpolation='nearest')

Answer 1

您可以使用scikits-image中的分水岭分割:

• 距离变换

  from scipy import ndimage as nd
  distance = nd.distance_transform_edt(example_array)
  

• 分水岭分割

  from skimage.morphology import watershed, square
  result = watershed(-distance, seed_array, mask=example_array, \
                     connectivity=square(3))
  

• 结果

  subplot(1,2,1)
  imshow(-distance, 'spectral', interpolation='none')
  subplot(1,2,2)
  imshow(result, 'spectral', interpolation='none')
  

作为另一种变体,并且在您的初始方法之后,您可以使用分水岭找到最近种子的连接邻居.正如你在问题中提到的那样:

• 计算与种子的距离:

  distance = nd.distance_transform_edt(seed_array == 0)
  

• 计算距离空间中的分水岭:

  result = watershed(distance, seed_array, mask=example_array, \
                     connectivity=square(3))
  

• 情节结果:

  figure(figsize=(9,3))
  subplot(1,3,1)
  imshow(distance, 'jet', interpolation='none')
  subplot(1,3,2)
  imshow(np.ma.masked_where(example_array==0, distance), 'jet', interpolation='none')
  subplot(1,3,3)
  imshow(result, 'spectral', interpolation='none')
  

进一步讨论:分水岭方法试图通过流过图像梯度从种子峰生长区域.由于您的图像是二进制的,因此区域将从种子点的所有方向均匀扩展,从而为您提供两个区域之间的点.有关分水岭的更多信息,请参阅维基百科.

在第一示例中,在原始图像中计算距离变换,因此区域从种子中均等地扩展,直到它们在中间实现分裂点.

在第二个示例中,距离变换是从所有像素到任何种子点计算的,然后在该空间中应用分水岭.Watershed基本上会将每个像素分配给最近的种子,但它会增加连接约束.

注意绘图和水域中距离图的符号差异.

注意在距离图中(两个图中的左图),蓝色表示关闭,其中红色表示远.