Python 在numpy数组中提取非零值组

我试图从numpy数组中提取非零值的矩形组。 阵列可能如下所示（但要大得多）：

a=np.array([
[0,0,0,0,0,0,0,0,0,0,0],
[0,0,0,0,0,1,1,1,1,1,0],
[0,0,0,0,6,1,1,1,3,1,0],
[0,0,0,0,0,1,1,1,1,1,0],
[0,0,0,0,2,2,2,0,1,0,0],
[0,0,0,0,2,2,0,0,0,0,0],
[0,0,0,0,0,0,0,0,0,0,0],
[1,1,1,1,0,0,0,0,0,0,0],
[1,1,1,1,0,0,0,0,7,2,0],
[1,1,1,1,0,0,0,0,0,0,0]])

我想提取大于给定大小（例如大于3x3）的非零值组/块，即这些块的最小角和最大角的坐标。 在本例中，我应该得到以下信息：

res=[（7,0），（10,4）]，
[(1,5), (4,10)]]

所以

[12]中的

xmin，ymin=res[0][0]
在[13]中：xmax，ymax=res[0][1]
In[14]：a[xmin:xmax，ymin:ymax]
出[14]：
数组（[[1,1,1,1]，
[1, 1, 1, 1],
[1, 1, 1, 1]])
In[15]：xmin，ymin=res[1][0]
在[16]中：xmax，ymax=res[1][1]
In[17]：a[xmin:xmax，ymin:ymax]
出[17]：
数组（[[1,1,1,1,1]，
[1, 1, 1, 3, 1],
[1, 1, 1, 1, 1]])

我试着查看数组中的每个非零值，并从这一点开始增长所需大小的形状，直到它包含一个零。 它能工作，但速度很慢。 对于这个示例阵列，大约需要1.17毫秒， 在实际应用程序（即600x1000阵列）中大约需要18秒，这太慢了。

---

是否有numpy或OpenCV函数或技巧可以更快地执行此操作？

您的问题似乎是典型的计算机视觉问题。您要查找的区域不是背景，并且具有特定的形状（矩形）和大小（最小3x3）

对于此类问题，我们使用水滴分析

我不想写一个具体的例子，因为有更多的功能，包括可能也是有趣的你的工作。blob分析有很多例子。以下是一个很好的起点：

对我的信息的简短扩展： 该网站的示例基于较旧版本的opencv。以下代码是新版本上的实现。康达目前提供的最新版本是OpenCV 3.4.2：

#标准导入
进口cv2
输入numpy作为np；
#读取图像
im=cv2.imread（“blob.png”，cv2.imread\u灰度）
#使用默认参数设置检测器。
detector=cv2.SimpleBlobDetector_create（）
#检测斑点。
关键点=检测器。检测（im）
#将检测到的斑点绘制为红色圆圈。
#cv2.DRAW_匹配_标志_DRAW_RICH_关键点确保圆的大小与水滴的大小相对应
带关键点的im\u=cv2.drawKeypoints（im，keypoints，np.array（[]），（0,0255），cv2.DRAW\u匹配标志\u DRAW\u RICH\u关键点）
#显示关键点
cv2.imshow（“关键点”，带关键点的im）
cv2.等待键（0）

---

重要的变化是探测器的创建。

您的问题似乎是典型的计算机视觉问题。您要查找的区域不是背景，并且具有特定的形状（矩形）和大小（最小3x3）

对于此类问题，我们使用水滴分析

我不想写一个具体的例子，因为有更多的功能，包括可能也是有趣的你的工作。blob分析有很多例子。以下是一个很好的起点：

对我的信息的简短扩展： 该网站的示例基于较旧版本的opencv。以下代码是新版本上的实现。康达目前提供的最新版本是OpenCV 3.4.2：

#标准导入
进口cv2
输入numpy作为np；
#读取图像
im=cv2.imread（“blob.png”，cv2.imread\u灰度）
#使用默认参数设置检测器。
detector=cv2.SimpleBlobDetector_create（）
#检测斑点。
关键点=检测器。检测（im）
#将检测到的斑点绘制为红色圆圈。
#cv2.DRAW_匹配_标志_DRAW_RICH_关键点确保圆的大小与水滴的大小相对应
带关键点的im\u=cv2.drawKeypoints（im，keypoints，np.array（[]），（0,0255），cv2.DRAW\u匹配标志\u DRAW\u RICH\u关键点）
#显示关键点
cv2.imshow（“关键点”，带关键点的im）
cv2.等待键（0）

---

重要的变化是探测器的创建。

我认为有一个非常简单的解决方案。一个

开口

（一个

侵蚀

，然后是一个

扩张

）将简单地缩小小于所需大小（3x3）的区域，然后恢复其余区域。以下是将

a

转换为

uint8

后的视图：

现在我将在其上应用

打开

：

out = cv2.morphologyEx(a, cv2.MORPH_OPEN, np.ones((3,3), dtype=np.uint8))

可视化

输出

：

如您所见，只需一行代码即可识别矩形区域。您也可以将此输出用作位掩码来过滤掉原始图像

a_ = a.copy()
a_[np.logical_not(out.astype('bool'))] = 0

现在更具挑战性的部分是，如果你需要计算出矩形的角坐标。你可以突破大炮，应用轮廓检测，但我觉得一个更简单的分析也可以

from skimage.measure import label
out_ = label(out, connectivity=1)

现在，

out

数组中的每个区域都用一个单独的数字标记，从0到N_regions-1（其中0是背景区域）。剩下的工作很简单。您可以遍历每个数字并进行一些简单的numpy比较，以计算出每个编号区域的坐标

利用skimage的

regionprops

，我们可以更快地完成工作。我们将在前面计算的标签图像上应用它

from skimage.measure import regionprops

for r in regionprops(out_):
  print('({},{}), ({},{})'.format(*r.bbox))

输出：

---

我认为有一个非常简单的解决方法。一个

开口

（一个

侵蚀

，然后是一个

扩张

）将简单地缩小小于所需大小（3x3）的区域，然后恢复其余区域。这是转换后的

a

视图

(1,5), (4,10)
(7,0), (10,4)