如何在Python中使用VIPS执行逻辑操作和逻辑索引？

Question

我有以下使用Python和OpenCV的代码。简而言之，我有一堆在不同震源深度拍摄的图像。这些代码在所有焦深（z）中具有最大高斯拉普拉斯响应拉普拉斯位置的每个（x，y）位置挑选出像素，从而创建焦点叠加图像。函数get_fmap创建一个2d阵列，其中每个像素将包含具有最大日志响应的焦平面的编号。在以下代码中，注释掉的行是我当前的VIPS实现。它们在函数定义中看起来不兼容，因为它只是部分解决方案。

# 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 

然后fmap将被用来挑选出来自不同焦平面的像素来创建一个焦点堆栈图像

这是一个非常大的图像上完成的，而且我觉得VIPS可能做得更好比OpenCV就此。但是，官方文档仅提供有关Python绑定的信息。根据我在互联网上可以找到的信息，我只能够进行图像卷积工作（在我的情况下，它比OpenCV快一个数量级）。我想知道如何在VIPS中实现这一点，尤其是这些行？

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

咨询Python VIPS manual和一些试验和错误之后，我拿出我自己的答案。我的问题numpy的和OpenCV的实现可以翻译成VIPS这样的：

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) 

逻辑索引是通过ifthenelse方法实现：

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

语法相当灵活。测试条件可以是相同大小的两个图像之间或图像与数值之间的比较，例如， img1 > img2或img > 5。像明智一样，value_if_true可以是单个值或Vips图像。

Answer 2

log_response和fmap被初始化为在问题代码3D阵列，而问题文本指出，输出，fmap是2D阵列。因此，我假定log_response和fmap将被初始化为2D阵列，其形状与每个图像相同。因此，该修改将 -

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

现在，回到问题的主题，你在每个图像一个接一个上执行2D过滤，并在所有的堆叠图像得到滤波输出的最大指数。如果您不知道cv2.filter2D的文档，它也可以用在多维数组上，从而为我们提供多维数组作为输出。然后，获取所有图像的最大索引就像.argmax(2)一样简单。因此，执行必须是非常有效的，是简单的 -

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