我正在尝试掩盖从检测器获取的数据集中的不良像素。为了尝试一种通用的方法来做到这一点,以便可以在不同的图像上运行相同的代码,我尝试了几种不同的方法,但是没有一个最终成功。我在Python中进行编码和数据分析方面还很陌生,所以我可以用手把东西理解为计算机可以理解的术语。
例如,考虑矩阵
A = np.array([[3,5,50],[30,2,6],[25,1,1]])
我想要做的是将A中的任何元素都设置为与均值相等且等于零的两个标准差。原因是在代码的后面,我定义了一个仅使用非零值进行计算的函数,因为零是掩码的一部分。
我知道这种屏蔽技术有效,但是我尝试扩展以下代码以使用标准偏差:
mask = np.ones(np.shape(A))
mask.flat[A.flat > 20] = 0
我试过的是:
mask = np.ones(np.shape(A))
for i,j in A:
mask.flat[A[i,j] - 2*np.std(A) < np.mean(A) < A[i,j] + 2*np.std(A)] = 0
引发错误:
ValueError:太多值无法解包(预期2)
如果有人能更好地从统计学上消除图像中的不良像素,我将不胜枚举。谢谢您的帮助!
==========
编辑
经过一番尝试和错误,我到达了一个可以帮助澄清我的问题的地方。新的代码是:
for i in A:
for j in i:
mask.flat[ j - 2*np.std(A) < np.mean(A) < j + 2*np.std(A)] = 0
这将引发错误,提示“不支持的迭代器索引”。我想要发生的是,for循环遍历数组中的每个元素,检查它是否小于/大于均值的2个标准差,并且将其设置为零。
这是一种在较大图像上更快的方法:
import numpy as np
import matplotlib.pyplot as plt
# generate dummy image
a = np.random.randint(1,5, (5,5))
# generate dummy outliers
a[4,4] = 20
a[2,3] = -6
# initialise mask
mask = np.ones_like(a)
# subtract mean and normalise to standard deviation.
# then any pixel in the resulting array that has an absolute value > 2
# is more than two standard deviations away from the mean
cond = (a-np.mean(a))/np.std(a)
# find those pixels and set them to zero.
mask[abs(cond) > 2] = 0
检查:
a
array([[ 1, 1, 3, 4, 2],
[ 1, 2, 4, 1, 2],
[ 1, 4, 3, -6, 1],
[ 2, 2, 1, 3, 2],
[ 4, 1, 3, 2, 20]])
np.round(cond, 2)
array([[-0.39, -0.39, 0.11, 0.36, -0.14],
[-0.39, -0.14, 0.36, -0.39, -0.14],
[-0.39, 0.36, 0.11, -2.12, -0.39],
[-0.14, -0.14, -0.39, 0.11, -0.14],
[ 0.36, -0.39, 0.11, -0.14, 4.32]])
mask
array([[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 0, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 0]])
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句