无循环快速提取NumPy数组中目标点的有效邻域方法问询

问题背景 #

给定10×10的测试数组，其中部分位置设为1：

import numpy as np

test_arr = np.zeros((10, 10), dtype=int)
test_arr[[0, 1, 4], [0, 0, 8]] = 1  # 设置非零值点
indices_r, indices_c = np.nonzero(test_arr)

同时定义测试掩码：

test_mask = np.zeros((10, 10), dtype=bool)
test_mask[[2, 4], [0, 8]] = 1

需要找到所有非零点的**Moore邻域（3×3范围）**中满足以下条件的点：

• 坐标在数组边界内（0 ≤ 行/列索引 ≤ 9）
• 对应测试掩码位置为True
  要求完全不使用for循环，最终得到可直接用于test_arr[indices]的索引数组格式。

向量化解决方案 #

利用NumPy的广播机制实现全向量化操作，步骤如下：

1. 定义Moore邻域偏移量 #

列出3×3邻域相对于中心点的所有偏移组合：

# Moore邻域的所有行/列偏移对
neigh_offsets = np.array([
    [-1, -1], [-1, 0], [-1, 1],
    [0, -1],  [0, 0],  [0, 1],
    [1, -1],  [1, 0],  [1, 1]
])

2. 生成所有候选邻域点 #

将非零点的行、列索引扩展维度，和偏移量做广播相加，得到所有可能的邻域点坐标：

# 将非零点索引转为二维数组，方便广播
r = indices_r[:, np.newaxis]
c = indices_c[:, np.newaxis]

# 广播生成所有邻域点的行、列坐标
all_neigh_r = r + neigh_offsets[:, 0]
all_neigh_c = c + neigh_offsets[:, 1]

# 把所有候选点合并为N×2的数组（N为总候选数）
all_candidates = np.stack([all_neigh_r.flatten(), all_neigh_c.flatten()], axis=1)

3. 筛选有效点 #

通过布尔索引过滤满足条件的点：

# 条件1：坐标在数组边界内
in_bounds = (all_candidates[:, 0] >= 0) & (all_candidates[:, 0] < 10) & \
            (all_candidates[:, 1] >= 0) & (all_candidates[:, 1] < 10)

# 条件2：对应掩码位置为True
mask_valid = test_mask[all_candidates[in_bounds, 0], all_candidates[in_bounds, 1]]

# 合并条件，得到最终有效点
valid_neighs = all_candidates[in_bounds][mask_valid]

4. 整理为目标索引格式 #

最终的valid_neighs是N×2的数组，可直接用于索引：

# 示例：用有效点索引访问test_arr
print(test_arr[valid_neighs[:, 0], valid_neighs[:, 1]])

完整代码 #

import numpy as np

# 初始化测试数组和掩码
test_arr = np.zeros((10, 10), dtype=int)
test_arr[[0, 1, 4], [0, 0, 8]] = 1
indices_r, indices_c = np.nonzero(test_arr)

test_mask = np.zeros((10, 10), dtype=bool)
test_mask[[2, 4], [0, 8]] = 1

# 1. 定义邻域偏移量
neigh_offsets = np.array([
    [-1, -1], [-1, 0], [-1, 1],
    [0, -1],  [0, 0],  [0, 1],
    [1, -1],  [1, 0],  [1, 1]
])

# 2. 生成所有候选邻域点
r = indices_r[:, np.newaxis]
c = indices_c[:, np.newaxis]
all_neigh_r = r + neigh_offsets[:, 0]
all_neigh_c = c + neigh_offsets[:, 1]
all_candidates = np.stack([all_neigh_r.flatten(), all_neigh_c.flatten()], axis=1)

# 3. 筛选有效点
in_bounds = (all_candidates[:, 0] >= 0) & (all_candidates[:, 0] < 10) & \
            (all_candidates[:, 1] >= 0) & (all_candidates[:, 1] < 10)
mask_valid = test_mask[all_candidates[in_bounds, 0], all_candidates[in_bounds, 1]]
valid_neighs = all_candidates[in_bounds][mask_valid]

# 输出结果
print("有效邻域点索引：")
print(valid_neighs)

内容的提问来源于stack exchange，提问作者LionCereals