在大型3D Numpy数组中查找局部最大值。
在大型3D Numpy数组中查找局部最大值。
我正在处理一些以三维numpy数组形式存在的大体积图像数据。我用两个小的1D数组来解释我的任务。我有一个图像：\n
img = [5, 6, 70, 80, 3, 4, 80, 90]
\n和一个对该图像进行分割和标记的版本：\n
labels = [0, 0, 1, 1, 0, 0, 2, 2]
\nlabels中的每个数字代表img中的一个对象。两个数组具有相同的维度。因此，在这个例子中，img中有两个对象：\n[5, 6, 70, 80, 3, 4, 80, 90]\n我现在要做的是找到每个对象的最大值的位置，即在这种情况下是3和7。目前，我循环遍历所有标签，创建一个只包含与当前标签对应的对象的img版本，并寻找最大值：\n
for label in range(1, num_labels + 1):
imgcp = np.copy(img)
imgcp[labels != label] = 0
max_pos = np.argmax(imgcp)
max_coords = np.unravel_index(pos, imgcp.shape)
\n这种方法的一个问题是在每一步中复制img往往会导致内存错误。我觉得内存管理应该可以解决这个问题，但是否有一种更节省内存且可能更快的方法来完成这个任务呢？
在大型的3D Numpy数组中找到局部最大值是一个常见的问题。本文介绍了一种使用argpartition函数的方法来解决这个问题。
首先，给出了一个小的2D示例数组data和segments。接下来，通过np.where函数找到segments中非零元素的索引，并将其保存在变量nz中。然后，根据这些索引从segments和data数组中提取出非零元素，并分别保存在segc和dac中。
接下来，使用np.bincount函数统计segc中每个元素出现的次数，并将结果保存在cnts中。然后，使用np.cumsum函数计算cnts的累积和，并将结果保存在bnds中。
接下来，使用argpartition函数将segc数组按照bnds[1:-1]进行分区。argpartition函数返回的是分区后每个元素在原数组中的索引。将返回的索引保存在idx中。
然后，根据idx将dac数组重新排序，并保存在dai中。接着，使用np.maximum.reduceat函数和bnds[:-1]将dai数组按照bnds[:-1]进行分组，并找到每组中的最大值。将这些最大值保存在mx中。
接下来，使用np.where函数找到dai中等于mx.repeat(cnts[1:])的元素的索引，并将结果保存在am中。最后，将am中的索引映射回原始的坐标空间，并将结果保存在im中。
最后，输出结果包括坐标和最大值。其中，am表示坐标，data[am]表示最大值，segments[am]表示标签。
总结起来，这种方法通过使用argpartition函数和其他Numpy函数，能够高效地找到大型3D Numpy数组中的局部最大值。相比其他方法，该方法具有更快的速度和更高的效率。