Python获取坐标的常用方法

news/2024/7/21 3:47:16 标签: python, numpy, 图像处理

文章目录

  • 一、列表
    • 1.1、列表索引
    • 1.2、枚举索引
  • 二、numpy 数组
    • 2.1、数组索引
    • 2.2、乘法运算：image * mask
    • 2.3、条件索引
      • 2.3.1、np.argwhere()：返回满足条件的元素的坐标（数组表示）
      • 2.3.2、np.where：返回满足条件的元素的索引（元组表示）
      • 2.3.3、np.nonzero()：返回数组中非零元素的索引（元组表示）
      • 2.3.4、np.indices()：返回数组中每个维度上索引值的数组（元组表示）
      • 2.3.5、np.extract()：提取数组中满足条件的元素并返回一维数组
    • 实战一：获取所有列中每一列的最小值和最大值：np.min(coordinates, axis=0)
    • 实战二：根据条件进行直接索引与赋值：image[label < 50] = 0
    • 实战三：数据归一化到[0, 255] + 数据类型转换为uint8

一、列表

1.1、列表索引

python">my_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
row_index = 1
column_index = 2
value_at_index = my_list[row_index][column_index]
print(f"列表索引: 在位置 ({row_index}, {column_index}) 的值是 {value_at_index}")

# 列表索引: 在位置 (1, 2) 的值是 6

1.2、枚举索引

python">my_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
for row_index, row_list in enumerate(my_list):    # 使用 enumerate 遍历行
    for col_index, value in enumerate(row_list):  # 使用 enumerate 遍历列
        print(f"在位置 ({row_index}, {col_index}) 的值是 {value}")

"""
在位置 (0, 0) 的值是 1
在位置 (0, 1) 的值是 2
在位置 (0, 2) 的值是 3
在位置 (1, 0) 的值是 4
在位置 (1, 1) 的值是 5
在位置 (1, 2) 的值是 6
在位置 (2, 0) 的值是 7
在位置 (2, 1) 的值是 8
在位置 (2, 2) 的值是 9
"""

numpy__35">二、numpy 数组

2.1、数组索引

python">import numpy as np
my_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
row_index = 1
column_index = 2
value_at_index = my_array[row_index, column_index]
print(f"数组索引: 在位置 ({row_index}, {column_index}) 的值是 {value_at_index}")

# 数组索引: 在位置 (1, 2) 的值是 6

2.2、乘法运算：image * mask

使用 * 操作符对图像和掩码进行逐元素的乘法运算，两者的形状必须相同。

python">import numpy as np
image = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# mask = np.array([[0, 1, 0], [1, 0, 1], [0, 1, 0]]).astype(bool)  # 指定索引
mask = (image > 4)  # 条件索引
result = image * mask  # 获取image中mask对应为True的图像（其余置零）
print(result)

"""
[[0 0 0]
 [0 5 6]
 [7 8 9]]
"""

2.3、条件索引

2.3.1、np.argwhere()：返回满足条件的元素的坐标（数组表示）

python">import numpy as np

arr = np.array([[1, 0, 3], [4, 0, 6], [7, 8, 0]])
coordinates = np.argwhere(arr != 0)
print(coordinates)

"""
[[0 0]
 [0 2]
 [1 0]
 [1 2]
 [2 0]
 [2 1]]
"""

2.3.2、np.where：返回满足条件的元素的索引（元组表示）

python">import numpy as np

arr = np.array([[1, 0, 3], [4, 0, 6], [7, 8, 0]])
indices = np.where(arr != 0)
coordinates = np.array(np.nonzero(arr)).T
print(indices)
print(coordinates)

"""
(array([0, 0, 1, 1, 2, 2], dtype=int64), array([0, 2, 0, 2, 0, 1], dtype=int64))
[[0 0]
 [0 2]
 [1 0]
 [1 2]
 [2 0]
 [2 1]]
"""

2.3.3、np.nonzero()：返回数组中非零元素的索引（元组表示）

python">import numpy as np

arr = np.array([[1, 0, 3], [4, 0, 6], [7, 8, 0]])
indices = np.nonzero(arr)  # 返回数组中非零元素的索引
coordinates = np.array(np.nonzero(arr)).T  # 返回数组中非零元素的坐标
print(indices)
print(coordinates)

"""
(array([0, 0, 1, 1, 2, 2], dtype=int64), array([0, 2, 0, 2, 0, 1], dtype=int64))
[[0 0]
 [0 2]
 [1 0]
 [1 2]
 [2 0]
 [2 1]]
"""

2.3.4、np.indices()：返回数组中每个维度上索引值的数组（元组表示）

python">import numpy as np
image = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
coordinates = np.indices(image.shape)  # 获取图像所有坐标
flat_coordinates = np.vstack([coord.flatten() for coord in coordinates]).T  # 将坐标展平为一维数组（获取图像中所有像素的坐标）
print(flat_coordinates)

"""
[[0 0]
 [0 1]
 [0 2]
 [1 0]
 [1 1]
 [1 2]
 [2 0]
 [2 1]
 [2 2]]
"""

2.3.5、np.extract()：提取数组中满足条件的元素并返回一维数组

在这里插入图片描述

python">import numpy as np
import matplotlib.pyplot as plt

# 生成一个随机的图像数据
np.random.seed(42)
ImageStack = np.random.randint(0, 256, size=(10, 10), dtype=np.uint8)
threshold = 150  # 设置阈值

# 使用 np.extract 函数提取满足条件的元素
condition = ImageStack > threshold
image_extracted = np.extract(condition, ImageStack)
print("提取的元素个数", len(image_extracted))

# 恢复原图的形状
image_extracted_reshaped = np.zeros_like(ImageStack, dtype=np.uint8)
image_extracted_reshaped[condition] = image_extracted

# 显示原始图像、处理后的图像以及提取得到的元素的图像
plt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1)
plt.imshow(ImageStack, cmap='gray', vmin=0, vmax=255)
plt.title('ImageStack')
plt.subplot(1, 3, 2)
plt.imshow(image_extracted_reshaped, cmap='gray', vmin=0, vmax=255)
plt.title(f'image_extracted_reshaped')
plt.subplot(1, 3, 3)
plt.plot(image_extracted, marker='o')
plt.title(f'image_extracted')
plt.show()

实战一：获取所有列中每一列的最小值和最大值：np.min(coordinates, axis=0)

python">import numpy as np

my_array = np.zeros((10, 10, 10))  # 随机生成0和1整数的数组
my_array[2:4, 2:3, 5:9] = 1  # 指定位置填充值
nonzero_coordinates = np.argwhere(my_array != 0)  # 获取非零元素的坐标

min_coords_nonzero = np.min(nonzero_coordinates, axis=0)  # 获取所有列中每一列的最小值（axis=0 表示沿着第一个轴（即列轴）进行操作。）
max_coords_nonzero = np.max(nonzero_coordinates, axis=0)  # 获取所有列中每一列的最大值（axis=0 表示沿着第一个轴（即列轴）进行操作。）
print("最小坐标值:", min_coords_nonzero)
print("最大坐标值:", max_coords_nonzero)

# 最小坐标值: [2 2 5]
# 最大坐标值: [3 2 8]

实战二：根据条件进行直接索引与赋值：image[label < 50] = 0

python">"""
ImageStack[np.where(ImageStack > threshold)] = 255  （1）条件索引（2）坐标获取（3）再赋值
ImageStack[ImageStack > threshold] = 255  			（1）条件索引（2）再赋值（速度更快）
"""
import numpy as np
import time

np.random.seed(42)
ImageStack = np.random.randint(0, 256, size=(500, 500, 200), dtype=np.uint8)  # 生成一个随机的图像数据
threshold = 240  # 设置阈值
ImageStack_threshold = ImageStack.copy()  # 复制图像
####################################################################
start_time = time.time()  # 记录开始时间
ImageStack[np.where(ImageStack_threshold < threshold)] = 0    # （1）条件索引（2）坐标获取（3）再赋值
end_time = time.time()  # 记录结束时间
runtime1 = end_time - start_time  # 计算运行时间

start_time = time.time()  # 记录开始时间
ImageStack[ImageStack_threshold < threshold] = 0              # （2）条件索引（2）再赋值（速度更快）
end_time = time.time()  # 记录结束时间
runtime2 = end_time - start_time  # 计算运行时间
print(f"方法一：总运行时间: {runtime1:.2f} 秒")
print(f"方法二：总运行时间: {runtime2:.2f} 秒")
####################################################################
"""
方法一：总运行时间: 0.54 秒
方法二：总运行时间: 0.07 秒
"""

实战三：数据归一化到[0, 255] + 数据类型转换为uint8

python">import numpy as np

np.random.seed(42)  # 设置种子点
# （1）生成一个随机的uintt16数据类型的图像[0, 65535]
ImageStack = np.random.randint(0, 65535, size=(10, 10), dtype=np.uint16)
# （2）数据归一化到[0, 255] + 数据类型转换为uint8
normalized_data = ((ImageStack - ImageStack.min()) / (ImageStack.max()- ImageStack.min()) * 255).astype(np.uint8)

print(ImageStack.min(), ImageStack.max())
print(normalized_data.min(), normalized_data.max())

# import napari
# viewer = napari.Viewer()
# viewer.add_image(ImageStack, name='ImageStack', colormap='gray')
# viewer.add_image(normalized_data, name='normalized_data', colormap='gray')
# napari.run()

http://www.niftyadmin.cn/n/5251012.html

相关文章

如何教会小白使用淘宝API接口获取商品数据

如何教会小白使用淘宝API接口获取商品数据

随着互联网的普及&#xff0c;越来越多的人开始接触网络购物&#xff0c;而淘宝作为中国最大的电商平台之一&#xff0c;成为了众多消费者首选的购物平台。然而&#xff0c;对于一些小白用户来说&#xff0c;如何通过淘宝API接口获取商品数据可能是一个难题。本文将详细介绍如何…
阅读更多...
彻底搞懂零拷贝技术( DMA、PageCache)

彻底搞懂零拷贝技术( DMA、PageCache)

DMA 直接内存访问&#xff08;Direct Memory Access&#xff09; 什么是DMA&#xff1f; 在进行数据传输的时候&#xff0c;数据搬运的工作全部交给 DMA 控制器&#xff0c;而 CPU 不再参与&#xff0c;可以去干别的事情。 传统I/O 在没有 DMA 技术前&#xff0c;全程数据…
阅读更多...
网络安全（黑客技术）—学习

网络安全（黑客技术）—学习

前言 一、什么是网络安全 网络安全可以基于攻击和防御视角来分类&#xff0c;我们经常听到的 “红队”、“渗透测试” 等就是研究攻击技术&#xff0c;而“蓝队”、“安全运营”、“安全运维”则研究防御技术。 无论网络、Web、移动、桌面、云等哪个领域&#xff0c;都有攻与防…
阅读更多...
OGG实现Oracle19C到postgreSQL14的实时同步

OGG实现Oracle19C到postgreSQL14的实时同步

📢📢📢📣📣📣 哈喽！大家好，我是【IT邦德】，江湖人称jeames007，10余年DBA及大数据工作经验 一位上进心十足的【大数据领域博主】！😜😜😜 中国DBA联盟(ACDU)成员，目前服务于工业互联网 擅长主流Oracle、MySQL、PG、高斯及Greenplum运维开发，备份恢复，安…
阅读更多...
Ubuntu上svn基本使用(gitee提交下载)

Ubuntu上svn基本使用(gitee提交下载)

目录 环境准备 1. 获取代码到本地 直接获取 获取代码时加入用户名密码 指定版本更新 2. 提交代码 3. 展示代码列表 4. 添加代码文件(目录) 5. 删除gitee仓库中的文件 参考文档链接 环境准备 当前操作系统为Ubuntu22.04LTS gitee 创建仓库时 需要打开svn的支持 sudo…
阅读更多...
virtualenv创建虚拟环境

virtualenv创建虚拟环境

目录 概念安装创建虚拟环境激活虚拟环境删除虚拟环境退出虚拟环境更改虚拟环境路径 概念 virtualenv是一个创建隔离的Python运行环境的工具。它允许用户为每个Python项目创建一个独立的虚拟环境&#xff0c;以避免不同项目之间的依赖冲突。 安装 pip install virtualenv virtua…
阅读更多...
出海电商中的技术护航：Socks5代理与代理IP的应用

出海电商中的技术护航：Socks5代理与代理IP的应用

随着全球市场的无缝连接&#xff0c;出海电商正逐渐成为企业拓展业务、迎接国际机遇的热门选择。在这一过程中&#xff0c;技术的角色愈发凸显&#xff0c;其中Socks5代理与代理IP的应用更是为企业打开了一扇通往国际市场的技术之门。本文将深入研究这两项技术在出海电商中的应…
阅读更多...
TA-Lib学习研究笔记（九）——Pattern Recognition （6）

TA-Lib学习研究笔记（九）——Pattern Recognition （6）

TA-Lib学习研究笔记&#xff08;九&#xff09;——Pattern Recognition &#xff08;6&#xff09; 最全面的形态识别的函数的应用&#xff0c;通过使用A股实际的数据&#xff0c;验证形态识别函数&#xff0c;用K线显示出现标志的形态走势&#xff0c;由于入口参数基本上是o…
阅读更多...
最新文章

Copyright @ 2022~2023