Python numpy二维阵列：在所有给定位置创建圆形遮罩的有效方法

我有一个稀疏的（100k/20000^2）二维布尔numpy掩码，对应于对象的位置

我想更新遮罩，将原始遮罩中某个真像素半径内的所有像素设置为真。换句话说，在每个位置用圆孔/内核（在本例中）响应卷积增量函数响应

由于主阵列很大（即20000 x 20000），并且有100k个位置，因此我需要速度和内存效率

例如（见）：

导入numpy
从scipy导入稀疏
xys=[（1,2）、（3,4）、（6,9）、（7,3）]
主数组=numpy.one（（100100））
coords=zip（*xys）
mask=sparse.coo_矩阵（（numpy.one）（len（coords[0]）），coords）\
shape=master\u array.shape，dtype=bool）
#现在遮罩列表中每个坐标对半径r内的所有像素
mask=cookieCutter（mask，r）#Scikit Image有，可以满足您的需要。
您能否提供一个数据示例，以及您的屏蔽标准是什么？当然，但如何最好地做到这一点。我想屏蔽主阵列中位于位置列表（x_I，y_I）半径r范围内的任何像素，以便从剩余像素中随机抽取样本。我会编辑这个问题。太棒了-谢谢！所以我使用了类似的东西：mask=skimage.morphomatics.diability（~mask.toarray（），skimage.morphomatics.disk（r））.astype（bool），虽然它看起来很慢，所以任何其他想法都值得赞赏！struct=scipy.ndimage.generate_binary_结构（2，1）；mask2=scipy.ndimage.morphics.binary_膨胀（mask，structure=struct）.astype（bool）要快得多
import numpy
from scipy import sparse

xys=[(1,2),(3,4),(6,9),(7,3)]

master_array=numpy.ones((100,100))

coords = zip(*xys)
mask = sparse.coo_matrix((numpy.ones(len(coords[0])),coords),\
                         shape= master_array.shape, dtype=bool)

# Now mask all pixels within a radius r of every coordinate pair in the list
mask = cookieCutter(mask,r) # <--- I need an efficient cookieCutter function!

# Now sample the masked array
draws=numpy.random.choice(master_array[~mask.toarray()].flatten(),size=10)