Python-如何根据图像的值裁剪图像？

我有一个这样的图像：所有的零像素；具有一些非零值的正方形。我想裁剪图像，以便创建一个只有非零值的新图像。我尝试过类似于

image=np.extract（image！=0，image）

或

image=image[image！=0]

的方法，但这些方法返回的是数组，而不是矩阵。 我怎样才能解决这个问题？ 谢谢

一种方法是使用and：

使用示例数组：

image = np.array([[0,0,0,0,0], [0,0,1,2,0], [0,0,3,3,0], [0,0,0,0,0], [0,0,0,0,0]])

print(image)

array([[0, 0, 0, 0, 0],
       [0, 0, 1, 2, 0],
       [0, 0, 3, 3, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

x, y = np.nonzero(image)
xl,xr = x.min(),x.max()
yl,yr = y.min(),y.max()
image[xl:xr+1, yl:yr+1]

array([[1, 2],
       [3, 3]])

---

作为@yatu解决方案的替代方案，您可以使用它来索引所传递数组的叉积：

import numpy as np
image = np.array([[0,0,0,0,0], [0,0,1,2,0], [0,0,3,3,0], [0,0,0,0,0], [0,0,0,0,0]])

x, y = np.nonzero(image)
image[np.ix_(np.unique(x),np.unique(y))]
array([[1, 2],
       [3, 3]])

在哪里

np.ix_(np.unique(x),np.unique(y))
(array([[1],
        [2]], dtype=int64), array([[2, 3]], dtype=int64))

如果不想使用numpy

np.nonzero

，可以使用

也> <代码> CV.Engulink Rec> <代码>比NUMPY快（可能是因为C++绑定）？< /P> 时机 在上面的示例中，使用5x5数组时，

cv.boundingRect

的速度要快2倍：

%timeit x, y = np.nonzero(image)
1.4 µs ± 219 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
722 ns ± 30.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

对于1000x1500图像，

cv.boundingRect

的速度要快得多（40倍到2000倍，取决于图像的内容）：

---

如果只处理一个图像，Numpy仍然足够快。例如，在处理实时视频帧时，情况会有所不同。

一旦提取了最小值和最大值，就可以按照

图像[x.min（）：x.max（）+1，y.min（）：y.max（）+1]进行切片。

来获取子矩阵，而不是使用重塑。

cv.boundingRect

也可以这样做，而且速度更快

image = np.array([[0,0,0,0,0], [0,0,1,2,0], [0,0,3,3,0], [0,0,0,0,0], [0,0,0,0,0]])

# the line below is usually not necessary when dealing with
# gray scale images opened with imread(), but you need it if 
# you're working with the array created above, to get uint8 values
image = cv.convertScaleAbs(image)

x, y, w, h = cv.boundingRect(image)
newImg = image[y:y+h, x:x+w]

%timeit x, y = np.nonzero(image)
1.4 µs ± 219 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
722 ns ± 30.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

# blank (all zero) image 
image = np.zeros((1500,1000), dtype=np.uint8)

%timeit x, y = np.nonzero(image)
6.67 ms ± 40 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
159 µs ± 1.14 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# only non-zero pixels
image = np.ones((1500,1000), dtype=np.uint8)

%timeit x, y = np.nonzero(image)
17.2 ms ± 155 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit x, y, w, h = cv.boundingRect(image)
7.48 µs ± 46.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)