如何在非二进制图像上使用scipy.label

Question

我需要标记一个已经分类的img。问题是，图像是非二进制的，我需要分别计算不同值的相邻补丁。

考虑以下数据集：

import numpy as np 
data = np.zeros((6,6), dtype=np.uint16)
data[2:4, 2:4] = 10
data[4, 4] = 10
data[:2, :3] = 22
data[0, 5] = 22
data
>>>
array([[22, 22, 22,  0,  0, 22],
[22, 22, 22,  0,  0,  0],
[0,  0,  10, 10,  0,  0],
[0,  0,  10, 10,  0,  0],
[0,  0,   0,  0, 10,  0],
[0,  0,   0,  0,  0,  0]], dtype=uint16)

我想获得(带有8个相邻的结构元素(以下内容：

array([[1, 1, 1, 0, 0, 3],
[1, 1, 1, 0, 0, 0],
[0, 0, 2, 2, 0, 0],
[0, 0, 2, 2, 0, 0],
[0, 0, 0, 0, 2, 0],
[0, 0, 0, 0, 0, 0]], dtype=uint16)

但使用scipy.label函数，我得到了一个完全不同的结果：

from scipy import ndimage as ndi
s = ndi.generate_binary_structure(2,2)
labeled_array, num_features = ndi.label(data, structure=s)
labeled_array
>>>
array([[1, 1, 1, 0, 0, 2],
[1, 1, 1, 0, 0, 0],
[0, 0, 1, 1, 0, 0],
[0, 0, 1, 1, 0, 0],
[0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 0]], dtype=int16)

那么，有没有一个技巧来分离不同价值的补丁？

Answer 1

获取唯一值uv的列表，然后将每个唯一值替换为其订单号(第一个值为0，第二个值为1等(

uv = np.unique(data)
res = np.select([data==i for i in uv], range(len(uv)))

示例：

import numpy as np 
data = np.zeros((6,6), dtype=np.uint16)
data[2:4, 2:4] = 10
data[4, 4] = 10
data[:2, :3] = 22
data[0, 5] = 32

结果：

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

---

更新我看到您在问题中更改了数据。在这种情况下，它不再是一个已经分类的图像，因为如果data[0,5]没有与所有其他22s链接，它就不可能是22。
因此，在这种情况中，我想您需要分别为数据中的每个唯一条目进行标记，如下图所示：

import numpy as np 
from scipy import ndimage as ndi
data = np.zeros((6,6), dtype=np.uint16)
data[2:4, 2:4] = 10
data[4, 4] = 10
data[:2, :3] = 22
data[0, 5] = 22
uv = np.unique(data)
s = ndi.generate_binary_structure(2,2)
cum_num = 0
result = np.zeros_like(data)
for v in uv[1:]:
labeled_array, num_features = ndi.label((data==v).astype(int), structure=s)
result += np.where(labeled_array > 0, labeled_array + cum_num, 0).astype(result.dtype)
cum_num += num_features

数据：

[[22 22 22  0  0 22]
[22 22 22  0  0  0]
[ 0  0 10 10  0  0]
[ 0  0 10 10  0  0]
[ 0  0  0  0 10  0]
[ 0  0  0  0  0  0]]

结果：

[[2 2 2 0 0 3]
[2 2 2 0 0 0]
[0 0 1 1 0 0]
[0 0 1 1 0 0]
[0 0 0 0 1 0]
[0 0 0 0 0 0]]