多数过滤器 Numpy 数组

Question

我有一个由零、一和 NaN 组成的 numpy ndarray。 我想在该数组上使用多数过滤器，这意味着我想设置一个内核窗口（例如，3X3 单元格），它将遍历数组并将中心单元格的值更改为发生的值在其邻居中最多。 这个过滤器应该维持两个约束，它应该忽略 NaN，如果中心单元格的值为 1，那么它应该保持为 1。

这是我正在寻找的一个小例子：输入数组：

array([[ 1.,  1.,  1.,  0.,  0.],
       [ 1.,  1., nan,  1.,  1.],
       [nan,  1.,  1.,  0.,  1.],
       [ 0.,  0.,  0.,  0.,  1.]])

应用多数过滤器输出数组：

array([[ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1., nan,  1.,  1.],
       [nan,  1.,  1.,  1.,  1.],
       [ 0.,  0.,  0.,  1.,  1.]])

我正在查看scipy 过滤器，但找不到任何足够的东西。 我想建立一个通用的卷积过滤器，但我不确定如何为大多数目的做到这一点。 感觉这是应该存在的基本过滤器，但我似乎找不到它。

Answer 1

这是一个基于convolution矢量化思想。 鉴于这些限制，我们似乎只需要编辑0s位。 对于每个滑动窗口，获取 1 的计数，然后是非 NaN，这决定了决定 1 是否为多数的阈值。 如果是，将那些也是 0 的地方设置为 1。

实现看起来像这样 -

from scipy.signal import convolve2d

def fill0s(a):
    # Mask of NaNs
    nan_mask = np.isnan(a)

    # Convolution kernel
    k = np.ones((3,3),dtype=int)

    # Get count of 1s for each kernel window
    ones_count = convolve2d(np.where(nan_mask,0,a),k,'same')

    # Get count of elements per window and hence non NaNs count
    n_elem = convolve2d(np.ones(a.shape,dtype=int),k,'same')
    nonNaNs_count = n_elem - convolve2d(nan_mask,k,'same')

    # Compare 1s count against half of nonNaNs_count for the first mask.
    # This tells us if 1s are majority among non-NaNs population.
    # Second mask would be of 0s in a. Use Combined mask to set 1s.
    final_mask = (ones_count >= nonNaNs_count/2.0) & (a==0)
    return np.where(final_mask,1,a)

请注意，由于我们正在使用那种 1s 内核执行统一过滤，因此我们也可以使用uniform_filter 。

样品运行 -

In [232]: a
Out[232]: 
array([[ 1.,  1.,  1.,  0.,  0.],
       [ 1.,  1., nan,  1.,  1.],
       [nan,  1.,  1.,  0.,  1.],
       [ 0.,  0.,  0.,  0.,  1.]])

In [233]: fill0s(a)
Out[233]: 
array([[ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1., nan,  1.,  1.],
       [nan,  1.,  1.,  1.,  1.],
       [ 0.,  0.,  0.,  1.,  1.]])

Answer 2

试试下面的代码：

请注意，结果与您的有点不同，这是由于 numpy.argmax 在多个索引具有相同最大值时的行为（您可能想要编写自己的 argmax 函数... x=np.argwhere(x==np .max(x))[:,0] 给出所有索引而不是第一个）

import numpy as np

def block_fn(x,center_val):

    unique_elements, counts_elements = np.unique(x.ravel(), return_counts=True)

    if np.isnan(center_val):
        return np.nan
    elif center_val == 1:
        return 1.0
    else:
        return unique_elements[np.argmax(counts_elements)]



def majority_filter(x,block_size = (3,3)):

    #Odd block sizes only  ( ? )
    assert(block_size[0]%2 != 0 and block_size[1]%2 !=0)

    yy =int((block_size[0]-1)/2)
    xx =int((block_size[1]-1)/2)


    output= np.zeros_like(x)
    for i in range(0,x.shape[0]):
        miny,maxy = max(0,i-yy),min(x.shape[0]-1,i+yy)

        for j in range(0,x.shape[1]):
            minx,maxx = max(0,j-xx),min(x.shape[1]-1,j+xx)

            #Extract block to take majority filter over
            block=x[miny:maxy+1,minx:maxx+1]

            output[i,j] = block_fn(block,center_val=x[i,j])


    return output


inp=np.array([[ 1.,  1.,  1.,  0.,  0.],
       [ 1.,  1., np.nan,  1.,  1.],
       [np.nan,  1.,  1.,  0.,  1.],
       [ 0.,  0.,  0.,  0.,  1.]])


print(majority_filter(inp))