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。

此函数通过将每个前景(非零)元素替换为其到背景(任何零值元素)的最短距离,从而计算 input 的距离变换。

除了距离变换,还可以计算特征变换。在这种情况下,每个前景元素到最近背景元素的索引会在一个单独的数组中返回。

参数:
inputarray_like

要进行变换的输入数据。可以是任何类型,但会被转换为二进制:在输入等于 True 的地方为 1,其他地方为 0。

samplingfloat,或浮点数序列,可选

沿每个维度的元素间距。如果是一个序列,其长度必须等于输入秩;如果是一个单独的数字,则用于所有轴。如果未指定,则默认为单位网格间距。

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

一个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。其形状必须与 input 相同。

indicesint32 ndarray,可选

一个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。其形状必须是 (input.ndim,) + input.shape

返回:
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。其形状将与输入数组相同。

indicesint32 ndarray,可选

计算出的特征变换。它为输入的每个维度提供一个与输入形状相同的数组。请参见下面的示例。仅当 return_indices 为 True 且未提供 indices 时返回。

备注

欧几里得距离变换给出欧几里得距离值

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

其中 b[i] 是与输入点 x[i] 欧几里得距离最小的背景点(值为 0),n 是维度数量。

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.    ]])

沿 x 轴采样 2 个单位,沿 y 轴采样 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.    ]])

同时请求索引

>>> 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]]], dtype=int32)

提供数组用于原地输出

>>> 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]]], dtype=int32)