Python 自适应灰度膨胀的实现

给定一个值范围从0到n的2D数组，我想用它包含的值来扩展每个像素，在扩展过程中，较高的值应该覆盖较低的值

---

也就是说，半径内的任何像素等于一个像素的值，如果其值较小，则会继承该值。例如，如果输入为[01020]，则输出为[1222]

---

这是如何实现的？

您的口头描述正是如何实现算法：对于每个像素，让我们调用其值r，检查其邻域，邻域的大小由r给出。在此邻域内，如果所有像素的值较低，则将其设置为r。您确实需要写入一个独立的输出映像，在不中断逻辑的情况下无法修改输入

当然，这是通过一组嵌套循环实现的：第一个循环覆盖图像中的每个像素，在这个循环中，循环覆盖邻域中的每个像素

Python的循环速度很慢，所以用Python编写时效率不高。你可以试着用它来加速。如果足够重要的话，用C语言或C++语言编写。 如果n很小，则与使用阈值分解的明显实现相比，此操作可能会加快一点

其思想是在图像中的灰度值r上循环。在每次迭代中，放大二值图像img==r，对于值为r的像素为真，对于大小为r的SE的其他像素为假。接下来，通过在放大图像上取元素最大值来合成最终输出图像。请注意，您可以在循环中逐步累积此最终结果，取上一个结果和新膨胀的最大值

---

这个实现需要做更多的工作，但是由于您使用的是全映像操作，因此可以最小化Python循环的数量，从而有望加快代码的速度

“按价值扩张”是什么意思？你的意思是希望该像素处的结构元素具有由像素值给定的半径吗？半径内的任何像素等于像素值，如果其值较小，则继承该值。因此[0 1 0 2 0]->[1 2 2 2]扩展和侵蚀python在python中太慢了，我正在考虑优化算法的方法，或者以某种方式使用numpy或具有类似函数的库opencv@Octavio：此操作没有标准实现。如果n很小，可以使用分解定理来加快运算速度。让我把这一点添加到我的答案中。我用numpy分解矩阵，然后按给定的数量扩展每个层，有点像一个拓扑图，然后重新组合所有层，对更大的值进行优先级排序。它很快就解决了numpy和opencv的问题。唯一的缺点是，我必须为每一层设置一个阈值，否则如果梯度非常平滑，就会有太多的层。但这没关系，因为50-70层仍然比一个节点接一个节点快。