多數過濾器 Numpy 數組

Question

我有一個由零、一和 NaN 組成的 numpy ndarray。 我想在該數組上使用多數過濾器，這意味着我想設置一個內核窗口（例如，3X3 單元格），它將遍歷數組並將中心單元格的值更改為發生的值在其鄰居中最多。 這個過濾器應該維持兩個約束，它應該忽略 NaN，如果中心單元格的值為 1，那么它應該保持為 1。

這是我正在尋找的一個小例子：輸入數組：

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

應用多數過濾器輸出數組：

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 過濾器，但找不到任何足夠的東西。 我想建立一個通用的卷積過濾器，但我不確定如何為大多數目的做到這一點。 感覺這是應該存在的基本過濾器，但我似乎找不到它。

Answer 1

這是一個基於convolution矢量化思想。 鑒於這些限制，我們似乎只需要編輯0s位。 對於每個滑動窗口，獲取 1 的計數，然后是非 NaN，這決定了決定 1 是否為多數的閾值。 如果是，將那些也是 0 的地方設置為 1。

實現看起來像這樣 -

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)

請注意，由於我們正在使用那種 1s 內核執行統一過濾，因此我們也可以使用uniform_filter 。

樣品運行 -

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

試試下面的代碼：

請注意，結果與您的有點不同，這是由於 numpy.argmax 在多個索引具有相同最大值時的行為（您可能想要編寫自己的 argmax 函數... x=np.argwhere(x==np .max(x))[:,0] 給出所有索引而不是第一個）

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))