scipy.ndimage.

distance_transform_edt#

scipy.ndimage.distance_transform_edt(input, sampling=None, return_distances=True, return_indices=False, distances=None, indices=None)[源代码][源代码]#

精确的欧几里得距离变换。

此函数通过将每个前景（非零）元素替换为其到背景（任意零值元素）的最短距离，来计算 input 的距离变换。

除了距离变换外，还可以计算特征变换。在这种情况下，每个前景元素到最近背景元素的索引将在一个单独的数组中返回。

参数:
输入array_like

要转换的输入数据。可以是任何类型，但将被转换为二进制：输入为True的地方转换为1，其他地方转换为0。

采样float, 或 float 序列, 可选

每个维度上元素的间距。如果是一个序列，长度必须等于输入的秩；如果是一个单一的数字，这个数字将用于所有轴。如果没有指定，则默认间距为1。

return_distancesbool, 可选

是否计算距离变换。默认值为 True。

返回索引bool, 可选

是否计算特征变换。默认是 False。

距离float64 ndarray，可选

一个用于存储计算出的距离变换的输出数组，而不是返回它。return_distances 必须为 True。它的形状必须与 input 相同。

索引int32 ndarray，可选

一个用于存储计算特征变换的输出数组，而不是返回它。return_indicies 必须为 True。其形状必须为 (input.ndim,) + input.shape。

返回:
距离float64 ndarray，可选

计算得到的距离变换。仅当 return_distances 为 True 且 distances 未提供时返回。其形状将与输入数组相同。

索引int32 ndarray，可选

计算的特征变换。它为输入的每个维度都有一个输入形状的数组。请参见下面的示例。仅当 return_indices 为 True 且 indices 未提供时返回。

注释

欧几里得距离变换给出欧几里得距离的值:

              n
y_i = sqrt(sum (x[i]-b[i])**2)
              i

其中 b[i] 是与输入点 x[i] 具有最小欧几里得距离的背景点（值为0），n 是维度的数量。

示例

>>> from scipy import ndimage
>>> import numpy as np
>>> a = np.array(([0,1,1,1,1],
...               [0,0,1,1,1],
...               [0,1,1,1,1],
...               [0,1,1,1,0],
...               [0,1,1,0,0]))
>>> ndimage.distance_transform_edt(a)
array([[ 0.    ,  1.    ,  1.4142,  2.2361,  3.    ],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  2.    ],
       [ 0.    ,  1.    ,  1.4142,  1.4142,  1.    ],
       [ 0.    ,  1.    ,  1.4142,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])

在 x 方向采样 2 个单位，y 方向采样 1 个单位：

>>> ndimage.distance_transform_edt(a, sampling=[2,1])
array([[ 0.    ,  1.    ,  2.    ,  2.8284,  3.6056],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  3.    ],
       [ 0.    ,  1.    ,  2.    ,  2.2361,  2.    ],
       [ 0.    ,  1.    ,  2.    ,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])

同时请求索引：

>>> edt, inds = ndimage.distance_transform_edt(a, return_indices=True)
>>> inds
array([[[0, 0, 1, 1, 3],
        [1, 1, 1, 1, 3],
        [2, 2, 1, 3, 3],
        [3, 3, 4, 4, 3],
        [4, 4, 4, 4, 4]],
       [[0, 0, 1, 1, 4],
        [0, 1, 1, 1, 4],
        [0, 0, 1, 4, 4],
        [0, 0, 3, 3, 4],
        [0, 0, 3, 3, 4]]])

使用数组提供就地输出：

>>> indices = np.zeros(((np.ndim(a),) + a.shape), dtype=np.int32)
>>> ndimage.distance_transform_edt(a, return_indices=True, indices=indices)
array([[ 0.    ,  1.    ,  1.4142,  2.2361,  3.    ],
       [ 0.    ,  0.    ,  1.    ,  2.    ,  2.    ],
       [ 0.    ,  1.    ,  1.4142,  1.4142,  1.    ],
       [ 0.    ,  1.    ,  1.4142,  1.    ,  0.    ],
       [ 0.    ,  1.    ,  1.    ,  0.    ,  0.    ]])
>>> indices
array([[[0, 0, 1, 1, 3],
        [1, 1, 1, 1, 3],
        [2, 2, 1, 3, 3],
        [3, 3, 4, 4, 3],
        [4, 4, 4, 4, 4]],
       [[0, 0, 1, 1, 4],
        [0, 1, 1, 1, 4],
        [0, 0, 1, 4, 4],
        [0, 0, 3, 3, 4],
        [0, 0, 3, 3, 4]]])
On this page