使用NumPy裁剪图像的黑色边框

def crop_image(data_to_crop):
    cropped_data = []

    for z in xrange(data_to_crop.shape[0]):

        img = data_to_crop[z]
        img = img.reshape(data_to_crop.shape[0], data_to_crop.shape[1])

        rx = -1
        upy = -1

        lx = -1
        by = -1

        for x in xrange(data_to_crop.shape[0]):
            for y in xrange(data_to_crop.shape[1]):

                px = img[x, y]

                if px > 0:

                    if rx == -1 or x > rx:
                        rx = x

                    if lx == -1 or x < lx:
                        lx = x

                    if upy == -1 or y > upy:
                        upy = y

                    if by == -1 or y < by:
                        by = y

        img = img[lx:rx, by:upy]

        cropped_data.append(img)

    return cropped_data

#1 楼

使用NumPy进行矢量化
当使用cv2.imread或skimage.io.imread或scipy.misc.imread进行读取时，您已经将图像数据作为NumPy数组了。现在，NumPy支持各种矢量化功能，我们可以使用它们大大加快速度。
I.裁剪以删除整个图像中的所有黑色行和列
要解决我们的问题，一种方法是查找行和列中至少有一个像素的行和列，该像素大于某个下限或阈值，像素值。因此，如果您确定黑色区域绝对为零，则可以将该阈值设置为0。因此，如果img代表图像数据，则您将具有两个布尔数组：(img>tol).any(1)和(img>tol).any(0)。
接下来，您可以使用这些布尔数组对图像数据进行索引，以使用广播索引来提取有效边界框。 np._ix-

np.ix_((img>tol).any(1),(img>tol).any(0))

最后，我们用它索引图像数据以获取最终提取的数据，这是必需的边界框数据。 />

def crop_image(img,tol=0):
    # img is 2D image data
    # tol  is tolerance
    mask = img>tol
    return img[np.ix_(mask.any(1),mask.any(0))]

样品结果
1]公差为0时：

2]公差为80（更紧）时：

II。在保留内部全部为黑色的行或列的同时进行裁剪
要在保留内部全部为黑色的行或列的同时进行裁剪的图像，该实现方式应与之前的方法很接近。这里的基本思想是获取决定边界框的行和列的起点，终点索引。我们将从与前一个相同的行和列开始使用相同的掩码ANY匹配。然后，argmax将有助于获取沿行和列的那些匹配的开始和停止索引。我们将使用这些索引对2D输入数组进行切片，这是所需的裁剪图像输出。实现看起来像这样-

def crop_image_only_outside(img,tol=0):
    # img is 2D image data
    # tol  is tolerance
    mask = img>tol
    m,n = img.shape
    mask0,mask1 = mask.any(0),mask.any(1)
    col_start,col_end = mask0.argmax(),n-mask0[::-1].argmax()
    row_start,row_end = mask1.argmax(),m-mask1[::-1].argmax()
    return img[row_start:row_end,col_start:col_end]

示例运行-
输入：

输出：


基准测试
由于我们正在讨论此Q&A的性能，因此让我们测试一下该方法与其他方法的比较。然后切片输入数组。查找所有索引可能会变得昂贵。我们将尝试计时，看看会对性能产生多大影响。我们将使用前面部分中使用的示例数据-

# @Gareth Rees's solution
def crop_with_argwhere(image):
    # Mask of non-black pixels (assuming image has a single channel).
    mask = image > 0
    
    # Coordinates of non-black pixels.
    coords = np.argwhere(mask)
    
    # Bounding box of non-black pixels.
    x0, y0 = coords.min(axis=0)
    x1, y1 = coords.max(axis=0) + 1   # slices are exclusive at the top
    
    # Get the contents of the bounding box.
    cropped = image[x0:x1, y0:y1]
    return cropped

时间-

# Import the "4" digit image from previous section
In [50]: from skimage import io
    ...: im = io.imread('https://i.stack.imgur.com/tmdiH.png')

# @Gareth Rees's solution
In [51]: %timeit crop_with_argwhere(im)
1000 loops, best of 3: 1.4 ms per loop

In [52]: %timeit crop_image_only_outside(im,tol=0)
10000 loops, best of 3: 81.8 µs per loop

@Gareth Rees's solution的内存效率在性能上很明显。

扩展到通用的2D或3D图像数据案例
假设我们要检查沿最后一个尺寸/轴的所有通道上的crop_image_only_outside匹配项，那么扩展将只是沿最后一个轴执行ALL缩小。因此，我们将拥有通用解决方案来处理numpy.all和2D图像数据案例，例如-

def crop_image(img,tol=0):
    # img is 2D or 3D image data
    # tol  is tolerance
    mask = img>tol
    if img.ndim==3:
        mask = mask.all(2)
    mask0,mask1 = mask.any(0),mask.any(1)
    return img[np.ix_(mask0,mask1)]

def crop_image_only_outside(img,tol=0):
    # img is 2D or 3D image data
    # tol  is tolerance
    mask = img>tol
    if img.ndim==3:
        mask = mask.all(2)
    m,n = mask.shape
    mask0,mask1 = mask.any(0),mask.any(1)
    col_start,col_end = mask0.argmax(),n-mask0[::-1].argmax()
    row_start,row_end = mask1.argmax(),m-mask1[::-1].argmax()
    return img[row_start:row_end,col_start:col_end]

#2 楼

如您所知，在Python中循环遍历单个像素非常慢。您需要组织计算，以便在整个图像上使用一系列NumPy（或SciPy，Scikit-Image或OpenCV）操作。在这种情况下，您可以使用numpy.argwhere查找非黑色区域的边界框：

# Mask of non-black pixels (assuming image has a single channel).
mask = image > 0

# Coordinates of non-black pixels.
coords = np.argwhere(mask)

# Bounding box of non-black pixels.
x0, y0 = coords.min(axis=0)
x1, y1 = coords.max(axis=0) + 1   # slices are exclusive at the top

# Get the contents of the bounding box.
cropped = image[x0:x1, y0:y1]

（请注意，这依赖于一些非黑色像素；如果整个图像是黑色，则coords将是空的，在这种情况下，您将不得不寻找其他事情。）