1

我有一个 3D 标签矩阵。使用ndimage.sum我可以获得标记的对象大小，这对于基于体积的过滤非常有用。我的问题是：例如，我能否轻松地获得沿每个轴的对象大小，以消除仅在一个平面上的对象？

一些代码可能会更清晰......

from scipy import ndimage
labmat,n = ndimage.label(np.random.rand(30,30,30) > 0.99)
sizes = ndimage.sum(labmat.astype(bool),labmat,range(n+1))

现在，不是用一维表示标记对象的体积，有没有办法让 3D 数组在每个维度上表示它们的表面？代表它们在每个平面上的表面的 30 维数组也可以，尽管我更喜欢第一个选项。

4

1 回答 1

4

您可以使用ndimage.find_objects来查找每个标签的边界框。边界框由切片元组给出。例如，

data_slices = ndimage.find_objects(labmat)
# [(slice(0L, 1L, None), slice(4L, 5L, None), slice(28L, 29L, None)),
#  (slice(0L, 1L, None), slice(25L, 26L, None), slice(19L, 20L, None)),
#  (slice(0L, 1L, None), slice(27L, 28L, None), slice(10L, 11L, None)),
#  (slice(0L, 1L, None), slice(28L, 29L, None), slice(7L, 8L, None)),
# ...

然后，您可以使用找到每个边界框的大小

sizes = np.array([[s.stop-s.start for s in object_slice] 
                  for object_slice in data_slices])
# array([[1, 1, 1],
#        [1, 1, 1],
#        [1, 1, 1],
#        [1, 1, 1],
# ...

并为所有 3 个维度中长度大于 1 的每个框创建一个布尔掩码，该掩码为 True：

mask = (sizes > 1).all(axis=1)

用于np.flatnonzero查找相应的索引：

idx = np.flatnonzero(mask)

您还可以使用切片从labmat（或原始数组）中选择值的区域。例如，

for i in idx:
    print(labmat[data_slices[i]])

import numpy as np
from scipy import ndimage
np.random.seed(2016)

labmat, n = ndimage.label(np.random.rand(30,30,30) > 0.5)
data_slices = ndimage.find_objects(labmat)
sizes = np.array([[s.stop-s.start for s in object_slice] 
                  for object_slice in data_slices])
mask = (sizes > 1).all(axis=1)
idx = np.flatnonzero(mask)
for i in idx:
    print(labmat[data_slices[i]])
于 2016-03-24T13:32:15.880 回答