Python 计算tensorflow中3D张量的像素方向距离？

我试图在tensorflow中创建一个3d距离图（大小：W*H*D），用于训练的损失函数。我有一个地面真值（大小为W*H*D的二进制体积），我将使用它来创建距离贴图，即距离贴图的每个像素的值将是该像素到地面真值中正值（即像素=1）形状的最小距离。 将3d形状问题作为L2.NORM，将轴减少为2D形状，并使该问题完全可微。如有任何建议或建议，将不胜感激

---

如果我理解正确，您需要计算从卷中的每个位置到给定类的最近位置的距离。为了简单起见，我将假设有趣的类被标记为

1

，但如果它不同，希望您可以根据您的情况调整它。该代码适用于TensorFlow 2.0，但应适用于1.x

最简单的方法是使用

1

计算体积中所有坐标与每个坐标之间的距离，然后从中选择最小距离。您可以这样做：

将tensorflow导入为tf
#输入数据
w、 h，d=10,20,30
w、 h，d=2，3，4
t=tf.random.stateless_uniform（[w，h，d]，（0，0），0，2，tf.int32）
打印（t.numpy（））
# [[[0 1 0 0]
#   [0 0 0 0]
#   [1 1 0 1]]
#
#  [[1 0 0 0]
#   [0 0 0 0]
#   [1 1 0 0]]]
#坐标
coords=tf.meshgrid（tf.range（w）、tf.range（h）、tf.range（d）、index='ij'）
坐标=tf.stack（坐标，轴=-1）
#找到正坐标
m=t>0
coords_pos=tf.布尔掩码（coords，m）
#找到每一对距离
向量d=tf.重塑（坐标，[-1,1,3]）-坐标位置
#您可以在此处选择不同的精度类型
dists=tf.linalg.norm（tf.dtypes.cast（vec_d，tf.float32），axis=-1）
#找到最小距离
最小距离=tf。减小最小距离（距离，轴=-1）
#重塑
out=tf.重塑（最小距离[w，h，d]）
打印（out.numpy（）.round（3））
# [[[1.    0.    1.    2.   ]
#   [1.    1.    1.414 1.   ]
#   [0.    0.    1.    0.   ]]
#
#  [[0.    1.    1.414 2.236]
#   [1.    1.    1.414 1.414]
#   [0.    0.    1.    1.   ]]]

这对您来说可能已经足够好了，尽管它可能不是最有效的解决方案。最聪明的做法是在每个位置的相邻区域中搜索最近的正位置，但要有效地进行搜索是很复杂的，一般来说都是如此，在TensorFlow中更是如此。然而，我们有几种方法可以改进上面的代码。一方面，我们知道a

1

的位置总是有零距离，因此不需要计算这些位置。另一方面，如果3D体积中的

1

类表示某种密集形状，那么如果我们只计算与该形状表面的距离，我们可以节省一些时间。所有其他正位置与形状外部位置之间的距离必须更大。所以我们可以做和以前一样的事情，但是只计算从非正位置到正表面位置的距离。您可以这样做：

将tensorflow导入为tf
#输入数据
w、 h，d=10,20,30
w、 h，d=2，3，4
t=tf.dtypes.cast（tf.random.stateless_uniform（[w，h，d]，（0，0））>.15，tf.int32）
打印（t.numpy（））
# [[[1 1 1 1]
#   [1 1 1 1]
#   [1 1 0 0]]
# 
#  [[1 1 1 1]
#   [1 1 1 1]
#   [1 1 1 1]]]
#查找曲面上的正坐标和负坐标
#（已包围，但至少有一个0）
t_pad_z=tf.pad（t，[（1,1），（1,1），（1,1）]）0
m_环绕_z=tf.类零（m_位置）
#穿过周围的6个位置
对于范围（3）中的i：
对于[slice（None，-2），slice（2，None）]中的s：
切片=元组（如果i！=j，则切片（1，-1）表示范围（3）中的j）
m_环绕_z |=t_垫_z.u获取项目_uu（切片）
#曲面点是由一些零包围的正点
m_surf=m_pos&m_surround_z
coords_-surf=tf.where（m_-surf）
#找到零坐标
coords_z=tf.where（~m_pos）
#找到每一对距离
vec_d=tf.重塑（coords_z，[-1,1,3]）-coords_surf
dists=tf.linalg.norm（tf.dtypes.cast（vec_d，tf.float32），axis=-1）
#找到最小距离
最小距离=tf。减小最小距离（距离，轴=-1）
#在输出数组中放置最小距离
out=tf.散射nd（坐标z，最小距离[w，h，d]）
打印（out.numpy（）.round（3））
# [[[0. 0. 0. 0.]
#   [0. 0. 0. 0.]
#   [0. 0. 1. 1.]]
#
#  [[0. 0. 0. 0.]
#   [0. 0. 0. 0.]
#   [0. 0. 0. 0.]]]

编辑：这里有一种方法，您可以使用TensorFlow循环将距离计算分块：

#从前面开始
coords_surf=。。。
coords_z=。。。
CHUNK_SIZE=1_000#选择CHUNK SIZE
dtype=tf.32
#如果使用TF2.x，您可以提前知道张量数组的大小
#（尽管由于最后一个块的原因，元素形状不会保持不变）
num_z=tf.shape（coords_z）[0]
arr=tf.TensorArray（dtype，size=（num_z-1）//CHUNK_size+1，element_shape=[None]，推断_shape=False）
_，arr=tf。while_循环（λi，arr:i

您能举一个您需要的具体例子吗？如果可能的话，你尝试过什么样的事情？我不确定我是否理解问题的输入和输出。基本真理是三维二元张量（仅由1和0组成）还是其他什么？你想计算，对于一个同样大小的体积，距离地面真相中最近的1的距离吗？@jdehesa当然，我有一个3d体积形状（112112），它是地面真相掩码结构1=