scipy.ndimage.

distance_transform_edt#

scipy.ndimage.distance_transform_edt(input, sampling=None, return_distances=True, return_indices=False, distances=None, indices=None)[source]#

精确欧几里得距离变换。

此函数计算input的距离变换，通过用其到背景（任何值为零的元素）的最短距离替换每个前景（非零）元素。

除了距离变换之外，还可以计算特征变换。在这种情况下，将返回每个前景元素到最近的背景元素的索引，存储在一个单独的数组中。

参数:
inputarray_like

要变换的输入数据。可以是任何类型，但将转换为二进制：在 input 等于 True 的地方为 1，其他地方为 0。

samplingfloat，或 float 序列，可选

每个维度上元素的间距。如果为序列，则长度必须等于输入秩；如果为单个数字，则将其用于所有轴。如果没有指定，则隐含单位网格间距。

return_distancesbool，可选

是否计算距离变换。默认为 True。

return_indicesbool，可选

是否计算特征变换。默认为 False。

distancesfloat64 ndarray，可选

用于存储计算出的距离变换的输出数组，而不是返回它。 return_distances 必须为 True。它必须与 input 的形状相同。

indicesint32 ndarray，可选

用于存储计算出的特征变换的输出数组，而不是返回它。 return_indicies 必须为 True。它的形状必须为 (input.ndim,) + input.shape。

返回值:
distancesfloat64 ndarray，可选

计算出的距离变换。仅当 return_distances 为 True 且未提供 distances 时返回。它将与输入数组具有相同的形状。

indicesint32 ndarray，可选

计算出的特征变换。它为输入的每个维度都包含一个输入形状的数组。请参见下面的示例。仅当 return_indices 为 True 且未提供 indices 时返回。

注释

欧几里得距离变换给出欧几里得距离的值

              n
y_i = sqrt(sum (x[i]-b[i])**2)
              i

其中 b[i] 是对输入点 x[i] 的欧几里得距离最小的背景点（值为 0），n 是维数。

示例

>>> from scipy import ndimage
>>> import numpy as np
>>> a = np.array(([0,1,1,1,1],
...               [0,0,1,1,1],
...               [0,1,1,1,1],
...               [0,1,1,1,0],
...               [0,1,1,0,0]))
>>> ndimage.distance_transform_edt(a)
array([[ 0.    ,  1.    ,  1.4142,  2.2361,  3.    ],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  2.    ],
       [ 0.    ,  1.    ,  1.4142,  1.4142,  1.    ],
       [ 0.    ,  1.    ,  1.4142,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])

在 x 方向上采样 2 个单位，在 y 方向上采样 1 个单位

>>> ndimage.distance_transform_edt(a, sampling=[2,1])
array([[ 0.    ,  1.    ,  2.    ,  2.8284,  3.6056],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  3.    ],
       [ 0.    ,  1.    ,  2.    ,  2.2361,  2.    ],
       [ 0.    ,  1.    ,  2.    ,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])

也要求索引

>>> edt, inds = ndimage.distance_transform_edt(a, return_indices=True)
>>> inds
array([[[0, 0, 1, 1, 3],
        [1, 1, 1, 1, 3],
        [2, 2, 1, 3, 3],
        [3, 3, 4, 4, 3],
        [4, 4, 4, 4, 4]],
       [[0, 0, 1, 1, 4],
        [0, 1, 1, 1, 4],
        [0, 0, 1, 4, 4],
        [0, 0, 3, 3, 4],
        [0, 0, 3, 3, 4]]])

提供数组用于就地输出

>>> indices = np.zeros(((np.ndim(a),) + a.shape), dtype=np.int32)
>>> ndimage.distance_transform_edt(a, return_indices=True, indices=indices)
array([[ 0.    ,  1.    ,  1.4142,  2.2361,  3.    ],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  2.    ],
       [ 0.    ,  1.    ,  1.4142,  1.4142,  1.    ],
       [ 0.    ,  1.    ,  1.4142,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])
>>> indices
array([[[0, 0, 1, 1, 3],
        [1, 1, 1, 1, 3],
        [2, 2, 1, 3, 3],
        [3, 3, 4, 4, 3],
        [4, 4, 4, 4, 4]],
       [[0, 0, 1, 1, 4],
        [0, 1, 1, 1, 4],
        [0, 0, 1, 4, 4],
        [0, 0, 3, 3, 4],
        [0, 0, 3, 3, 4]]])
本页内容