Python 计算距图像中心的像素距离 问题

我有一张图像，

n

像素宽，

m

像素高。这两个数字都是偶数。像素是正方形。像素值位于numpy数组中

我需要计算每个像素中心到图像中心的距离。即紧邻中心的像素应具有相关值

sqrt（2）/2

。如果图像类似于棋盘，则与g6正方形对应的像素应具有关联的距离值，该距离值应为（2.5^2+1.5^2）^0.5=2.91

---

我的解决方案 我通过以下代码完成了任务：

import numpy as np
import pandas as pd

距离将为：

image=np.zeros([2,4]) # let's say this is my image
df = pd.DataFrame(image)

distances = \
pd.DataFrame(
df.apply(
    lambda row: (row.index+0.5-len(df.index)/2)**2,axis=0).to_numpy()+\
df.T.apply(
    lambda row: (row.index+0.5-len(df.columns)/2)**2,axis=0).T.to_numpy())\
    .apply(np.sqrt).to_numpy()

正如所料


问题:
有更好的办法吗？我希望能有一个更短、更面向numpy或更透明的方法。
更透明的方法将首先定义图像的中心，例如

在openCV中将数组作为图像读取：

array([[1.58113883, 0.70710678, 0.70710678, 1.58113883],
       [1.58113883, 0.70710678, 0.70710678, 1.58113883]])


然后，对于numpy/图像阵列中的每个像素，您可以通过计算欧几里德距离来计算numpy阵列中每个像素与上述中心之间的距离：

D=距离欧几里德（（xA，yA），（x_中心，y_中心））


PS：您可以简单地使用numpy中的img.shape，但openCV为您提供了许多与距离计算相关的方法。
除了numpy中的这个简单实现之外，我不知道有什么具体的算法可以做到这一点，即使用（从数组形状创建索引数组）和（计算范数）函数。注：我们还通过索引
中心[：，无，无]
中的新维度来使用（由于
索引
固有输出形状，因此需要索引）

对于4000x6000图像，Numpy的方法比我计算机中的原始函数快一个数量级以上。您也可以只计算从中心到一个八分之一的距离，然后方便地将结果复制到剩余的八分之一（利用simmetry），但这可能只适用于大图像imho。
什么是xA&yA？xA和yA是要计算到中心距离的像素的坐标，因此您将传递numpy数组的每个像素，并计算到上面定义的中心的距离。您能在回答中提供相关代码吗？我想要每个像素的距离。
 img = cv2.imread("inputImage")
 height, width = img.shape

 x_center=(width/2)
 y_center=(height/2)

import numpy as np
import pandas as pd

# Numpy function
def np_function(image):
    center = np.array([(image.shape[0])/2, (image.shape[1])/2])
    distances = np.linalg.norm(np.indices(image.shape) - center[:,None,None] + 0.5, axis = 0)

    return distances

# Pandas function
def pd_function(image):
    df = pd.DataFrame(image)
    
    distances = \
    pd.DataFrame(
    df.apply(
        lambda row: (row.index+0.5-len(df.index)/2)**2,axis=0).to_numpy()+\
    df.T.apply(
        lambda row: (row.index+0.5-len(df.columns)/2)**2,axis=0).T.to_numpy())\
        .apply(np.sqrt).to_numpy()
        
    return distances