从表示图像的数组中排除周围零的最快方法是什么？
我有一个二维数组，包含从创建的灰度图像。png如下所示：
import cv2
img = cv2.imread("./images/test.png")
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
我想做的是提取一个子数组，它只包含包含数据的矩形——忽略图片周围的所有零。
例如，如果输入是：
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 175 0 0 0 71 0
0 0 0 12 8 54 0 0
0 0 0 0 255 0 0 0
0 0 0 2 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
那么输出应该是：
175 0 0 0 71
0 12 8 54 0
0 0 255 0 0
0 2 0 0 0
我可以向前迭代这些行以找到第一个非零行，然后向后迭代这些行以找到最后一个非零行，然后对列重复相同的操作，然后使用该数据提取子数组，但我确信有更合适的方法来做同样的事，甚至可能会出现错误NumPy函数就是为此目的而设计的。
如果我在最短的代码和最快的执行之间进行选择，我会对最快的
代码执行更感兴趣。
编辑：
我没有包括最好的例子，因为中间可能有零行/列，就像这里一样：
输入：
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 175 0 0 0 71 0 0 0 0 12 8 54 0 0 0 0 0 0 255 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0
输出：
175 0 0 0 71 0 12 8 54 0 0 0 255 0 0 0 0 0 0 0 0 2 0 0 0
共有3个答案
使用opencv函数更新这个更简单的方法实际上更快，而且可能比其他答案中给出的其他方法更快。
def crop_fastest(arr):
return cv2.boundingRect(cv2.findNonZero(arr))
这将返回边界框的x、y、宽度和高度。在我的台式电脑上，对于我的旧代码1000循环，最好的是3:562µs/循环，而对于这个新代码10000循环，最好的是3:179µs/循环。
又一次更新
正如Chupo_cro指出的，简单地调用cv2.boundingRect（arr）返回相同的结果，这似乎是由于该函数中的代码在内部进行转换。
以前的回答
可能有更快的方法。这个更简单的功能稍微快一点。
from scipy import ndimage
def crop_fast(arr):
slice_x, slice_y = ndimage.find_objects(arr>0)[0]
return arr[slice_x, slice_y]
要比较Drooze的代码和这个代码的速度，
arr = np.zeros(shape=(50000,6), dtype=np.uint8)
arr[2] = [9,8,0,0,1,1]
arr[1] = [0,3,0,0,1,1]
然后%timeit-crop（arr）在我的笔记本电脑上返回1000个循环，每个循环最好3:1.62毫秒和%timeit-crop\u-fast（arr）在我的笔记本电脑上返回1000个循环，每个循环最好3:979µs。也就是说，crop\u fast（）花费了crop（）大约60%的时间。
我们可以使用artmax来获取开始、停止行和列索引，正如本文中详细讨论的那样。我们还打算使用布尔数组/掩码进行高效处理。因此，使用这些工具/想法，我们会有一个矢量化的解决方案，就像这样-
def remove_black_border(a):
# Mask of non-zeros
mask = a!=0 # Use a >tolerance for a tolerance defining black border
# Mask of non-zero rows and columns
mask_row = mask.any(1)
mask_col = mask.any(0)
# First, last indices among the non-zero rows
sr0,sr1 = mask_row.argmax(), len(mask_row) - mask_row[::-1].argmax()
# First, last indices among the non-zero columns
sc0,sc1 = mask_col.argmax(), len(mask_col) - mask_col[::-1].argmax()
# Finally slice along the rows & cols with the start and stop indices to get
# cropped image. Slicing helps for an efficient operation.
return a[sr0:sr1, sc0:sc1]
样品运行-
In [56]: a # Input image array
Out[56]:
array([[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 175, 0, 0, 0, 71],
[ 0, 0, 0, 0, 12, 8, 54, 0],
[ 0, 0, 0, 0, 0, 255, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 2, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0]])
In [57]: out = remove_black_border(a)
In [58]: out
Out[58]:
array([[175, 0, 0, 0, 71],
[ 0, 12, 8, 54, 0],
[ 0, 0, 255, 0, 0],
[ 0, 0, 0, 0, 0],
[ 0, 2, 0, 0, 0]])
内存效率：
输出是输入数组的视图，因此不需要额外的内存或复制，这有助于提高内存效率。让我们验证视图部分-
In [59]: np.shares_memory(a, out)
Out[59]: True
在更大图像上使用所有建议方法的计时
In [105]: # Setup for 1000x1000 2D image and 100 offsetted boundaries all across
...: np.random.seed(0)
...: a = np.zeros((1000,1000),dtype=np.uint8)
...: a[100:-100,100:-100] = np.random.randint(0,255,(800,800),dtype=np.uint8)
In [106]: %timeit crop_fast(a) # @fireant's soln
...: %timeit crop(a) # @droooze's soln
...: %timeit remove_black_border(a) # from this post
100 loops, best of 3: 4.58 ms per loop
10 loops, best of 3: 127 ms per loop
10000 loops, best of 3: 155 µs per loop
注意，不是一个OpenCV解决方案-这将适用于n维NumPy或SciPy数组。
（基于Divakar的回答，扩展到n维）
def crop_new(arr):
mask = arr != 0
n = mask.ndim
dims = range(n)
slices = [None]*n
for i in dims:
mask_i = mask.any(tuple(dims[:i] + dims[i+1:]))
slices[i] = (mask_i.argmax(), len(mask_i) - mask_i[::-1].argmax())
return arr[[slice(*s) for s in slices]]
速度测试：
In [42]: np.random.seed(0)
In [43]: a = np.zeros((30, 30, 30, 20),dtype=np.uint8)
In [44]: a[2:-2, 2:-2, 2:-2, 2:-2] = np.random.randint(0,255,(26,26,26,16),dtype
=np.uint8)
In [45]: timeit crop(a) # Old solution
1 loop, best of 3: 181 ms per loop
In [46]: timeit crop_fast(a) # modified fireant's solution for n-dimensions
100 loops, best of 3: 5 ms per loop
In [48]: timeit crop_new(a) # modified Divakar's solution for n-dimensions
100 loops, best of 3: 1.91 ms per loop
旧的解决方案
可以使用np.nonzero获取数组的索引。然后，该数组的边界框完全包含在索引的最大值和最小值中。
def _get_slice_bbox(arr):
nonzero = np.nonzero(arr)
return [(min(a), max(a)+1) for a in nonzero]
def crop(arr):
slice_bbox = _get_slice_bbox(arr)
return arr[[slice(*a) for a in slice_bbox]]
例如。
>>> img = np.array([[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 175, 0, 0, 0, 71, 0],
[ 0, 0, 0, 12, 8, 54, 0, 0],
[ 0, 0, 0, 0, 255, 0, 0, 0],
[ 0, 0, 0, 2, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0, 0]], dtype='uint8')
>>> print crop(img)
[[175 0 0 0 71]
[ 0 12 8 54 0]
[ 0 0 255 0 0]
[ 0 2 0 0 0]]
-
问题内容： 我希望根据计算出的像素值绘制图像，以可视化某些数据。本质上，我希望采用彩色三元组的二维矩阵并将其渲染。 请注意，这不是图像处理，因为我既不变换现有图像也不做任何形式的全图像变换，它也不是矢量图形，因为我要渲染的图像没有预定的结构，我可能一次要产生一个像素的无定形斑点。 我现在需要渲染大约1kx1k像素的图像，但是可伸缩的东西会很有用。最终目标格式为PNG或任何其他无损格式。 目前，我一
-
问题内容： 我有一个600万行的SQLite表。 从表中删除是很慢的。 删除表然后重新创建它似乎更快。 我正在使用它进行数据库导入。 删除表会是更好的方法还是有办法快速删除所有数据？ 问题答案： 一个很大的不同是DML和DDL。对于数据库事务，这非常重要。最后的结果可能是相同的，但是这些操作有很大的不同。 如果您只是要了解性能，那么可以删除并重新创建表。如果您需要在导入中进行事务处理，则必须注意，
-
问题内容： 我从书中得知，您应该为循环编写这样的代码： 因此不会每次都计算。 其他人则说编译器会对此做一些优化，因此您可以编写： 我只想知道哪种是最佳实践？ 问题答案： 在使用大多数现代浏览器执行此测试之后… http://jsben.ch/dyM52 当前，最快的循环形式（我认为在语法上最明显）。 具有长度缓存的循环的标准 我想肯定的是，我为JavaScript引擎开发人员鼓掌。应该优化运行时间
-
问题内容： 我正在用Python建立照片库，希望能够快速为高分辨率图像生成缩略图。 为各种图像源生成高质量缩略图的最快方法是什么？ 我应该使用像imagemagick这样的外部库，还是有一种有效的内部方法来做到这一点？ 调整大小后的图像的尺寸为（最大尺寸）： 质量是一个问题，因为我想保留尽可能多的原始颜色并最大程度地减少压缩伪影。 谢谢。 问题答案： 您想要PIL轻松做到这一点 如果您迫切需要速度
-
问题内容： 我有一个，并且想知道最快的方法是检查所有值是否均为零？ 有没有比做更快的方法： 问题答案： 我先将所有字节加总后就重写了这个答案，但是这是不正确的，因为Java已经对字节进行了签名，因此我需要or。 另外，我已将JVM预热更改为正确。 最好的选择实际上是简单地遍历所有值。 我想您有三种主要选择： 或所有元素并检查总和。 进行无分支比较。 与分支进行比较。 我不知道使用Java添加字节的
-
问题内容： 我有一些具有数据类型的列，我想预览（或浏览）那些表中的数据。在SQL Server Management Studio中使用时，图像列的值以十六进制显示。因为十六进制值对我没有用，最简单的预览这些图像的方法是什么？ PS .：数据库不在我的控制之下，因此不能选择更改数据类型。 问题答案： 我将编写一个proc（或查询；请参见下文）以将二进制文件导出到文件系统中，然后使用任何旧的现成的照