Numpy:获得与面具大小相同的矩形区域

Question

我有一个图像和一个面具.两者都是numpy数组.我通过GraphSegmentation(cv2.ximgproc.segmentation)获取掩码,因此该区域不是矩形,而是不分割.我想得到一个与蒙面区域大小相同的矩形,但我不知道有效的方法.

换句话说,未屏蔽的像素值为0,屏蔽像素的值大于0,所以我想得到一个矩形...

• top =轴0的最小索引,其值> 0
• bottom =轴0的最大索引,其值> 0
• left =最小索引轴1,其值> 0
• right =最大索引轴1,其值> 0
• image = src [top:bottom,left:right]

我的代码如下

segmentation = cv2.ximgproc.segmentation.createGraphSegmentation()
src = cv2.imread('image_file')
segment = segmentation.processImage(src)
for i in range(np.max(segment)):
    dst = np.array(src)
    dst[segment != i] = 0
    cv2.imwrite('output_file', dst)

Answer 1

如果你更喜欢纯 Numpy，你可以使用np.whereand来实现np.meshgrid：

i, j = np.where(mask)
indices = np.meshgrid(np.arange(min(i), max(i) + 1),
                      np.arange(min(j), max(j) + 1),
                      indexing='ij')
sub_image = image[indices]

np.where返回一个数组元组，成对指定每个轴中每个非零元素的索引mask。然后我们创建我们想要使用的所有行和列索引的数组np.arange，并使用它np.meshgrid来生成两个网格形状的数组，这些数组索引我们感兴趣的图像部分。请注意，我们指定矩阵样式索引使用index='ij'以避免转置结果（默认为笛卡尔式索引）。

本质上，meshgrid构造indices使得：

image[indices][a, b] == image[indices[0][a, b], indices[1][a, b]]

例子

从以下开始：

>>> image = np.arange(12).reshape((4, 3))
>>> image
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

假设我们要提取[[3,4],[6,7]]子矩阵，它是以下掩码的边界矩形：

>>> mask = np.array([[0,0,0],[0,1,0],[1,0,0],[0,0,0]])
>>> mask
array([[0, 0, 0],
       [0, 1, 0],
       [1, 0, 0],
       [0, 0, 0]])

然后，应用上述方法：

>>> i, j = np.where(mask)
>>> indices = np.meshgrid(np.arange(min(i), max(i) + 1), np.arange(min(j), max(j) + 1), indexing='ij')
>>> image[indices]
array([[3, 4],
       [6, 7]])

这里，indices[0]是一个行索引矩阵，而indices[1]是相应的列索引矩阵：

>>> indices[0]
array([[1, 1],
       [2, 2]])
>>> indices[1]
array([[0, 1],
       [0, 1]])

Answer 2

我认为使用np.amax和np.amin裁剪图像要快得多。

i, j = np.where(mask)
indices = np.meshgrid(np.arange(min(i), max(i) + 1),
              np.arange(min(j), max(j) + 1),
              indexing='ij')
sub_image = image[indices]

耗时：50 毫秒

where = np.array(np.where(mask))

x1, y1 = np.amin(where, axis=1)
x2, y2 = np.amax(where, axis=1)
sub_image = image[x1:x2, y1:y2]

耗时：5.6 毫秒

Answer 3

运行这两种方法（使用 NumPy 1.18.5）时，我没有得到 Hans 的结果。无论如何，有一种更有效的方法，您可以沿每个维度获取 arg-max

i, j = np.where(mask)
y, x = np.meshgrid(
    np.arange(min(i), max(i) + 1),
    np.arange(min(j), max(j) + 1),
    indexing="ij",
)

花了 38 毫秒

where = np.array(np.where(mask))
y1, x1 = np.amin(where, axis=1)
y2, x2 = np.amax(where, axis=1) + 1
sub_image = image[y1:y2, x1:x2]

花了 35 毫秒

maskx = np.any(mask, axis=0)
masky = np.any(mask, axis=1)
x1 = np.argmax(maskx)
y1 = np.argmax(masky)
x2 = len(maskx) - np.argmax(maskx[::-1])
y2 = len(masky) - np.argmax(masky[::-1])
sub_image = image[y1:y2, x1:x2]

花了 2 毫秒

计时脚本