如何在Python中使用VIPS執行邏輯操作和邏輯索引？

Question

我有以下使用Python和OpenCV的代碼。簡而言之，我有一堆在不同震源深度拍攝的圖像。這些代碼在所有焦深（z）中具有最大高斯拉普拉斯響應拉普拉斯位置的每個（x，y）位置挑選出像素，從而創建焦點疊加圖像。函數get_fmap創建一個2d陣列，其中每個像素將包含具有最大日誌響應的焦平面的編號。在以下代碼中，註釋掉的行是我當前的VIPS實現。它們在函數定義中看起來不兼容，因爲它只是部分解決方案。

# from gi.repository import Vips 

def get_log_kernel(siz, std): 
    x = y = np.linspace(-siz, siz, 2*siz+1) 
    x, y = np.meshgrid(x, y) 
    arg = -(x**2 + y**2)/(2*std**2) 
    h = np.exp(arg) 
    h[h < sys.float_info.epsilon * h.max()] = 0 
    h = h/h.sum() if h.sum() != 0 else h 
    h1 = h*(x**2 + y**2 - 2*std**2)/(std**4) 
    return h1 - h1.mean() 

def get_fmap(img): # img is a 3-d numpy array. 
    log_response = np.zeros_like(img[:, :, 0], dtype='single') 
    fmap = np.zeros_like(img[:, :, 0], dtype='uint8') 
    log_kernel = get_log_kernel(11, 2) 
    # kernel = get_log_kernel(11, 2) 
    # kernel = [list(row) for row in kernel] 
    # kernel = Vips.Image.new_from_array(kernel) 
    # img = Vips.new_from_file("testimg.tif") 
    for ii in range(img.shape[2]):   
     # img_filtered = img.conv(kernel) 
     img_filtered = cv2.filter2D(img[:, :, ii].astype('single'), -1, log_kernel) 
     index = img_filtered > log_response 
     log_response[index] = img_filtered[index] 
     fmap[index] = ii 
    return fmap 

然後fmap將被用來挑選出來自不同焦平面的像素來創建一個焦點堆棧圖像

這是一個非常大的圖像上完成的，而且我覺得VIPS可能做得更好比OpenCV就此。但是，官方文檔僅提供有關Python綁定的信息。根據我在互聯網上可以找到的信息，我只能夠進行圖像卷積工作（在我的情況下，它比OpenCV快一個數量級）。我想知道如何在VIPS中實現這一點，尤其是這些行？

log_response = np.zeros_like(img[:, :, 0], dtype = 'single') 

index = img_filtered > log_response 

log_response[index] = im_filtered[index] 

fmap[index] = ii 

Answer 1

諮詢Python VIPS manual和一些試驗和錯誤之後，我拿出我自己的答案。我的問題numpy的和OpenCV的實現可以翻譯成VIPS這樣的：

from gi.repository import Vips 

img = [] 
for ii in range(num_z_levels): 
    img.append(Vips.Image.new_from_file("testimg_z" + str(ii) + ".tif") 

def get_fmap(img) 
    log_kernel = get_log_kernel(11,2) # get_log_kernel is my own function, which generates a 2-d numpy array. 
    log_kernel = [list(row) for row in log_kernel] # Vips.Image.new_from_array takes 1-d list array. 
    log_kernel = Vips.Image.new_from_array(log_kernel) # Turn the kernel into Vips array so it can be used by Vips. 
    log_response = img[0].conv(log_kernel, precision = Vips.Precision.FLOAT) 

    for ii in range(len(img)): 
     img_filtered = img[ii+1].conv(log_kernel, precision = Vips.Precision.FLOAT) 
     log_response = (img_filtered > log_response).ifthenelse(img_filtered, log_response) 
     fmap = (img_filtered > log_response).ifthenelse(ii+1, 0) 

邏輯索引是通過ifthenelse方法實現：

result_img = (test_condition).ifthenelse(value_if_true, value_if_false) 

語法相當靈活。測試條件可以是相同大小的兩個圖像之間或圖像與數值之間的比較，例如， img1 > img2或img > 5。像明智一樣，value_if_true可以是單個值或Vips圖像。

Answer 2

log_response和fmap被初始化爲在問題代碼3D陣列，而問題文本指出，輸出，fmap是2D陣列。因此，我假定log_response和fmap將被初始化爲2D陣列，其形狀與每個圖像相同。因此，該修改將 -

log_response = np.zeros_like(img[:,:,0], dtype='single') 
fmap = np.zeros_like(img[:,:,0], dtype='uint8') 

現在，回到問題的主題，你在每個圖像一個接一個上執行2D過濾，並在所有的堆疊圖像得到濾波輸出的最大指數。如果您不知道cv2.filter2D的文檔，它也可以用在多維數組上，從而爲我們提供多維數組作爲輸出。然後，獲取所有圖像的最大索引就像.argmax(2)一樣簡單。因此，執行必須是非常有效的，是簡單的 -

fmap = cv2.filter2D(img,-1,log_kernel).argmax(2)