У меня есть несколько различных форм в больших массивах numpy
, и я хочу вычислить евклидово расстояние между ними от края до края, используя numpy
и scipy
.
Примечание. Я выполнил поиск, и это отличается от предыдущих других вопросов здесь, в стеке, поскольку я хочу получить наименьшее расстояние между помеченными участками в массиве, а не между точками или отдельными массивами, как задавали другие вопросы. .
Мой текущий подход работает с использованием KDTree, но ужасно неэффективен для больших массивов. По сути, я ищу координаты каждого помеченного компонента и вычисляю расстояние между всеми остальными компонентами. Наконец, в качестве примера рассчитывается среднее минимальное расстояние.
Я ищу более разумный подход с использованием python и желательно без каких-либо дополнительных модулей.
import numpy
from scipy import spatial
from scipy import ndimage
# Testing array
a = numpy.zeros((8,8), dtype=numpy.int)
a[2,2] = a[3,1] = a[3,2] = 1
a[2,6] = a[2,7] = a[1,6] = 1
a[5,5] = a[5,6] = a[6,5] = a[6,6] = a[7,5] = a[7,6] = 1
# label it
labeled_array,numpatches = ndimage.label(a)
# For number of patches
closest_points = []
for patch in [x+1 for x in range(numpatches)]:
# Get coordinates of first patch
x,y = numpy.where(labeled_array==patch)
coords = numpy.vstack((x,y)).T # transform into array
# Built a KDtree of the coords of the first patch
mt = spatial.cKDTree(coords)
for patch2 in [i+1 for i in range(numpatches)]:
if patch == patch2: # If patch is the same as the first, skip
continue
# Get coordinates of second patch
x2,y2 = numpy.where(labeled_array==patch2)
coords2 = numpy.vstack((x2,y2)).T
# Now loop through points
min_res = []
for pi in range(len(coords2)):
dist, indexes = mt.query(coords2[pi]) # query the distance and index
min_res.append([dist,pi])
m = numpy.vstack(min_res)
# Find minimum as closed point and get index of coordinates
closest_points.append( coords2[m[numpy.argmin(m,axis=0)[0]][1]] )
# The average euclidean distance can then be calculated like this:
spatial.distance.pdist(closest_points,metric = "euclidean").mean()
ИЗМЕНИТЬ Только что протестировал предложенное @morningsun решение, и оно значительно улучшило скорость. Однако возвращаемые значения немного отличаются:
# Consider for instance the following array
a = numpy.zeros((8,8), dtype=numpy.int)
a[2,2] = a[2,6] = a[5,5] = 1
labeled_array, numpatches = ndimage.label(cl_array,s)
# Previous approach using KDtrees and pdist
b = kd(labeled_array,numpatches)
spatial.distance.pdist(b,metric = "euclidean").mean()
#> 3.0413115592767102
# New approach using the lower matrix and selecting only lower distances
b = numpy.tril( feature_dist(labeled_array) )
b[b == 0 ] = numpy.nan
numpy.nanmean(b)
#> 3.8016394490958878
ИЗМЕНИТЬ 2
А, разобрался. space.distance.pdist не возвращает правильную матрицу расстояний, поэтому значения были неверными.