scipy.ndimage.labeled_comprehension¶

scipy.ndimage.labeled_comprehension(input, labels, index, func, out_dtype, default, pass_positions=False)[源代码]¶

大致相当于 [func(input[labels == i] )用于索引中的i]。

按顺序将任意函数(适用于ARRAY_LIKE输入)应用于由指定的N维图像数组的子集 labels 和 index 。该选项用于为函数提供位置参数作为第二个参数。

参数

inputarray_like: 要从中选择的数据 labels 去处理。
labelsARRAY_LIKE或NONE: 将标签添加到以下位置中的对象 input 。如果不是无，则数组的形状必须与 input 。如果没有， func 应用于拆分的 input 。
indexINT、INT序列或无: 的子集 labels 要应用的对象 func 。如果是标量，则返回单个值。如果没有， func 的所有非零值。 labels 。
func可调用: 要应用到的Python函数 labels 从… input 。
out_dtype数据类型: 要用于的数据类型 result 。
default整型、浮点型或无: 的元素时的默认返回值 index 不存在于 labels 。
pass_positions布尔值，可选: 如果为True，则将线性索引传递给 func 作为第二个论点。默认值为False。

退货

resultndarray: 申请结果 func 发送到每个 labels 至 input 在……里面 index 。

示例

>>> a = np.array([[1, 2, 0, 0],
...               [5, 3, 0, 4],
...               [0, 0, 0, 7],
...               [9, 3, 0, 0]])
>>> from scipy import ndimage
>>> lbl, nlbl = ndimage.label(a)
>>> lbls = np.arange(1, nlbl+1)
>>> ndimage.labeled_comprehension(a, lbl, lbls, np.mean, float, 0)
array([ 2.75,  5.5 ,  6.  ])

回落到 default ：

>>> lbls = np.arange(1, nlbl+2)
>>> ndimage.labeled_comprehension(a, lbl, lbls, np.mean, float, -1)
array([ 2.75,  5.5 ,  6.  , -1.  ])

传球位置：

>>> def fn(val, pos):
...     print("fn says: %s : %s" % (val, pos))
...     return (val.sum()) if (pos.sum() % 2 == 0) else (-val.sum())
...
>>> ndimage.labeled_comprehension(a, lbl, lbls, fn, float, 0, True)
fn says: [1 2 5 3] : [0 1 4 5]
fn says: [4 7] : [ 7 11]
fn says: [9 3] : [12 13]
array([ 11.,  11., -12.,   0.])

scipy.ndimage.label

scipy.ndimage.maximum