Python 多维阵列/准图像的连通分量标注 问题

我正在尝试对3维以上的数组执行此操作。我的意思是，我的布尔数组有一个

.shape

，比如

（5,2,3,6,10）

，它是5维的

对于2D图像（而不是我的>3D问题），连接组件标签将是将标签放置到连接区域（在我的例子中是超卷）。如果两个（hpyer-）像素彼此相邻且在布尔数组中均为真，则两个（hpyer-）像素将连接起来

我已经试过了 对于2维和最多3维，这可以通过

skimage.measure.label

完成。然而，我不知道如何为我的案件解决这个问题

---

为感兴趣的读者提供更多资料（但对我的问题没有帮助）：

---

如果2D中的4连接性足够，您可以使用最近邻树在n log n时间内获得同样位于前景的相邻像素。 然后是构造图和查找连接的组件（也就是n logn，IIRC）的问题

您直接想要什么：

[1]中的

：将numpy作为np导入
[2]中：arr=np.random.random（（5,2,3,6,10））>0.5
在[3]中：从scipy导入ndi图像作为ndi
[4]中：带标签，n=ndi.标签（arr）
In[5]：n
Out[5]：11

您是否尝试过一种简单的迭代方法？迭代每个数据点，将未使用的标签设置为此数据点，检查此数据点的每个已连接邻居，如果已经有已标记邻居，则将标签设置为当前数据点，否则将当前数据点的标签设置为已连接邻居。这行得通吗？@YannickFunk：这是我的第一次实现。我使用了递归，没有联合查找数据结构，就像在所谓的。我的第一个实现非常缓慢。我直接用Python实现了这一点（而不是将实现推到C级），这并没有帮助。为什么它这么慢？数组有多大？@PaulBrodersen:每个维度y在15到50之间，我们有2到64个维度，数组中的y^x元素也是如此。正如你很容易看到的，x是有害的。（我知道：当它变成像64这样的数字时，内存甚至不足以容纳我的数组，所以我目前正在重新考虑整个方法。但是现在让我们假设x很小，比如4。）我认为它很慢，因为我用Python编写了循环等等，但我不确定。我没有使用经典算法，我进一步检查后发现。我从每个为真的单元格（“前景”）开始，看它是否有标签。对于跟踪标签，我使用一个单独的标签数组，该数组用0（=“背景”/“无标签”）初始化。如果它还没有标签，我就给它贴标签，然后递归地“进入”到每个相邻的没有标签的单元格，并用相同的标签给它贴标签。这样的标签是大于0的整数。已标记的单元格或错误的单元格（“背景”）不会进一步检查。您所说的“如果2D中的4连接性足够”是什么意思？你的意思是说你使用“4D中的4连接性，也就是2D中的2连接性”？我遵循的术语是。（我实际上通常使用1-连接性，但同时也很欣赏：-）我知道他们把1-连接性称为4-连接性，把2-连接性称为8-连接性。但是我的图像处理课已经上了一段时间了，所以我可能记错了。是的，这实现了1-连通性（根据scikit图像术语）。我刚刚想到，通过查找欧几里德距离严格小于的点，可以获得8-连通性（2-连通性），即

树。查询球树（树，r=1.5，p=2）

。此外，我更新了答案。有一个错误，第一个组件没有标记。我通读了你的代码，认为我理解了；-）。一点回顾（如果你不同意，请告诉我）：1）它可能对稀疏数组（大量背景）很有效，但对密集数组很不有效。对于稀疏数组，它可能会很好地扩展许多维度（关于常数）。不幸的是，正如我昨天深夜注意到的那样，我的阵列非常密集（这是我起初没有预料到的）。然而，我有一个想法，我可以使他们稀疏，但我仍然要考虑这个想法。

#!/usr/bin/env python
"""
https://stackoverflow.com/questions/66724201/connected-component-labling-for-arrays-quasi-images-with-many-dimension
"""
import numpy as np
import networkx as nx

from scipy.spatial import cKDTree


def get_components(boolean_array):
    # find neighbours
    coordinates = list(zip(*np.where(boolean_array)))
    tree = cKDTree(coordinates)
    neighbours_by_pixel = tree.query_ball_tree(tree, r=1, p=1) # p=1 -> Manhatten distance; r=1 -> what would be 4-connectivity in 2D

    # create graph and find components
    G = nx.Graph()
    for ii, neighbours in enumerate(neighbours_by_pixel):
        if len(neighbours) > 1:
            G.add_edges_from([(ii, jj) for jj in neighbours[1:]]) # skip first neighbour as that is a self-loop
    components = nx.connected_components(G)

    # create output image
    output = np.zeros_like(data, dtype=np.int)
    for ii, component in enumerate(components):
        for idx in component:
            output[coordinates[idx]] = ii+1

    return output


if __name__ == '__main__':

    shape = (5, 2, 3, 6, 10)
    D = len(shape)
    data = np.random.rand(*shape) < 0.1
    output = get_components(data)

In [48]: %timeit output = get_components(data)
5.85 s ± 279 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)