查找（x，y）坐标，z通过numpy通过测试

Question

我在Numpy中有一个16x16x4的数组。

尺寸1：水平位置[0,15]

尺寸2：垂直位置[0,15]

维度3：RGB值0-255 [0,3]

将16x16替换为2048x1285，然后：

for x in range(0,15):
    for y in range(0,15):

不削减（最多需要7分钟的时间，并在每个有趣的地方进行洪水填充）。 遍历PIL图像的速度非常快，但是会拖累数个数组（即7分钟以上）。

numpy.where(bitmap == [red, green, blue, alpha])

似乎不是我要找的东西。 解决此问题的合理快速方法是什么？

编辑：

bitmap == [red, green, blue, alpha]

实际上几乎是有用的。 如果z = [True，True，True，True]，否则如何从16x16x4数组变为array [x，y]为1的16x16x1数组，否则为0？

Answer 1

我无法再现您的速度-甚至在我现在很古老的笔记本上的强力迭代速度也要快大约14倍-而且我不确定您认为它where工作，所以我怀疑时间花费在其他地方（例如您需要填写的时间）。 无论如何：

如果z = [True，True，True，True]，否则如何从16x16x4数组变为array [x，y]为1的16x16x1数组，否则为0？

我会：

In [169]: m = numpy.random.randint(0, 16, size=(2048, 1285, 4))

In [170]: b = [4,5,6,7]

In [171]: matches = (m == b).all(axis=2)*1

In [172]: matches.shape
Out[172]: (2048, 1285)

而且非常快：

In [173]: timeit matches = (m == b).all(axis=2)*1
10 loops, best of 3: 137 ms per loop

Answer 2

如您ndarray ，在ndarray上使用for循环进行迭代不是很有效。 如果要查找满足条件的条目的索引，则应使用

indices = np.where(bitmap == [R, G, B, A])

这将返回一个三元素元组，给出沿第一，第二和第三轴的解的索引。 由于您只对前两个维度感兴趣，因此可以删除第三个项目。 而且，如果您想要一系列类似(x,y)的索引，则只需使用类似

zip(*indices[:2])

第二种可能性是将您的(N,M,4)标准整数ndarray为一个ndarray dtype=[[('',int)]*4]的(N,M)结构化数组（不要为字段名烦恼，它们将自动扩展为'f0', 'f1', ... ：

alt_bitmap = bitmap.view([('',int)'*4).squeeze()

（引入了squeeze以将(N,M,1)数组折叠为(N,M)数组）

然后，您可以使用np.where函数，但是您要测试的值也必须是np.array ：

indices = np.where(bitmap==np.array((R, G, B, A), dtype=bitmap.dtype))

这次， indices将只有2个元组，您可以使用前面介绍的zip(*indices)获得(x,y)对。

Answer 3

事实证明，我所描述的是通过以下方式实现的

zip(*numpy.where(numpy.logical_and.reduce(image == [255,255,255])))

根据任何文档，这还不清楚，但是您已经掌握了。 （编辑：缺少Alpha通道并不重要。）

我感兴趣的测试实际上并不是某个点相等，而是到该点的欧几里得距离在一个阈值内。

numpy.apply_along_axis(distance_from_white ...

其中distance_from_white是一个返回白色的欧几里得距离的函数，工作于16x16，但需要花费2048x1245的分钟。 scipy.spatial.distance.pdist（或cdist？）可能是答案，但是我无法弄清楚如何使它针对单个点而不是2个数组中所有点之间的距离计算距离（这适用于16x16，但是它浪费了很多计算资源，我什至不愿尝试以实际大小进行尝试）。