Python获取坐标的常用方法
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：获取每一列的最小值：np.min(coordinates, axis=0)
- 实战二：提取坐标（时耗优化）
- 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
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
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
"""
二、numpy 数组
2.1、数组索引
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。
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）
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）
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）
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）
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
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：获取每一列的最小值：np.min(coordinates, axis=0)
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：提取坐标（时耗优化）
import numba
import numpy as np
import time
@numba.jit()
def where(input_data, output_data):
# output_coordinate = []
num = 0
for z in range(input_data.shape[0]):
for y in range(input_data.shape[1]):
for x in range(input_data.shape[2]):
if input_data[z, y, x]:
# output_coordinate.append([z, y, x]) # 时耗增加
output_data[num][0] = z
output_data[num][1] = y
output_data[num][2] = x
num += 1
# return output_coordinate # 时耗增加
return num
if __name__ == "__main__":
np.random.seed(42)
start_time = time.time()
ImageStack11 = np.random.randint(0, 256, size=(1024, 1024, 2024), dtype=np.uint8) # 生成一个随机的图像数据
print(f"总耗时:{time.time() - start_time:.4f}秒")
#######################################
start_time = time.time()
ImageStack22 = np.random.randint(0, 256, size=(1024, 1024, 2024)).astype(np.uint8) # 生成一个随机的图像数据
print(f"总耗时:{time.time() - start_time:.4f}秒")
"""
总耗时:1.2737秒
总耗时:2.8277秒
"""
ImageStack = ImageStack11.copy()
threshold = 50 # 设置阈值
mask = (ImageStack < threshold)
print("非零数量", np.count_nonzero(mask))
####################################################################
start_time = time.time()
output_data = np.zeros((ImageStack.shape[0]*ImageStack.shape[1]*ImageStack.shape[2], 3), dtype=ImageStack.dtype) # 创建一个与 arr 具有相同形状和数据类型的全零数组
num = where(mask, output_data) # 找到mask的非零元素的坐标
coordinate1 = output_data[0:num]
print(f"总耗时:{time.time() - start_time:.4f}秒")
####################################################################
start_time = time.time()
coordinate2 = np.argwhere(mask) # 找到mask的非零元素的坐标
print(f"总耗时:{time.time() - start_time:.4f}秒")
####################################################################
start_time = time.time()
index3 = np.where(mask) # （1）找到mask的非零元素的索引
# coordinates = np.array(c1).T
print(f"总耗时:{time.time() - start_time:.4f}秒")
####################################################################
start_time = time.time()
coordinate4 = np.array(np.where(mask)).T # （1）找到mask的非零元素的索引（2）索引转坐标
print(f"总耗时:{time.time() - start_time:.4f}秒")
####################################################################
start_time = time.time()
coordinate5 = np.array(np.nonzero(mask)).T # （1）找到mask的非零元素的索引（2）索引转坐标
print(f"总耗时:{time.time() - start_time:.4f}秒")
"""
非零数量 209707383
总耗时:2.1542秒 Numba加速
总耗时:5.0483秒 np.argwhere(mask)
总耗时:3.8276秒 np.where(mask)
总耗时:5.1381秒 np.array(np.where(mask)).T
总耗时:5.1958秒 np.array(np.nonzero(mask)).T
"""
####################################################################
# （2）根据条件进行索引与赋值（正方向）
ImageStack2 = ImageStack.copy()
start_time = time.time()
ImageStack2[np.where(ImageStack2 < threshold)] = 0 # （1）条件索引（2）坐标获取（3）再赋值
end_time = time.time()
runtime2 = end_time - start_time
ImageStack3 = ImageStack.copy()
start_time = time.time()
ImageStack3[ImageStack3 < threshold] = 0 # （2）条件索引（2）再赋值（速度最快，但无法获取坐标）
end_time = time.time()
runtime3 = end_time - start_time
print(f"方法二：总运行时间: {runtime2:.2f} 秒")
print(f"方法三：总运行时间: {runtime3:.2f} 秒")
"""
方法二：总运行时间: 0.56 秒
方法三：总运行时间: 0.07 秒
"""
####################################################################
# （3）根据条件进行索引与赋值（反方向）
ImageStack2 = ImageStack.copy()
start_time = time.time()
ImageStack2[np.where(ImageStack2 > threshold)] = 0 # （1）条件索引（2）坐标获取（3）再赋值
end_time = time.time()
runtime2 = end_time - start_time
ImageStack3 = ImageStack.copy()
start_time = time.time()
ImageStack3[ImageStack3 > threshold] = 0 # （2）条件索引（2）再赋值（速度最快，但无法获取坐标）
end_time = time.time()
runtime3 = end_time - start_time
print(f"方法二：总运行时间: {runtime2:.2f} 秒")
print(f"方法三：总运行时间: {runtime3:.2f} 秒")
"""
方法二：总运行时间: 0.18 秒
方法三：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
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()