如何在两个二维numpy数组中查找相同/相近的BGR值？

一、查找并统计相同值 #

要忽略顺序在两个数组中定位相同的BGR值，可以将数组元素转换为可哈希的元组，通过集合交集操作快速筛选，最后统计数量即可。

示例代码：

import numpy as np

arr1 = np.array([[159, 102, 66], [151, 92, 58], [155, 96, 62]])
arr2 = np.array([[161, 104, 68], [159, 102, 66], [159, 101, 67]])

# 将数组行转为元组，用于集合操作
set1 = set(tuple(row) for row in arr1)
set2 = set(tuple(row) for row in arr2)

# 求两个集合的交集，得到相同值
common_values = set1 & set2
# 统计相同值的数量
count_common = len(common_values)

print(f"相同值：{list(common_values)}")
print(f"相同值数量：{count_common}")

运行输出：

相同值：[(159, 102, 66)]
相同值数量：1

二、查找并统计相近值 #

相近值的判定需要先定义“相近”的标准，常用的方式是计算BGR值之间的欧氏距离，当距离小于设定阈值时，就认为两个值相近。如果需要更贴合人眼视觉感知，也可以将BGR转换为Lab色彩空间后再计算距离。

基于欧氏距离的示例代码 #

import numpy as np

arr1 = np.array([[159, 102, 66], [151, 92, 58], [155, 96, 62]])
arr2 = np.array([[161, 104, 68], [159, 102, 66], [159, 101, 67]])

# 定义相近阈值（可根据需求调整）
threshold = 2

# 计算arr1中每个元素与arr2中所有元素的欧氏距离
distances = np.sqrt(np.sum((arr1[:, np.newaxis] - arr2)**2, axis=2))

# 筛选出距离小于阈值但非完全相同的配对
is_close = (distances < threshold) & (distances != 0)

# 统计相近值的配对数量
count_close = np.sum(is_close)
# 统计不重复的相近值数量（避免同一元素被多次计数）
unique_matches = np.union1d(np.where(is_close)[0], np.where(is_close)[1])
count_unique_close = len(unique_matches)

print(f"相近值配对数量：{count_close}")
print(f"不重复的相近值数量：{count_unique_close}")

代码说明：[159,102,66]与[159,101,67]的欧氏距离为√(0²+(-1)²+1²)=√2≈1.414，小于阈值2，会被判定为相近值。

内容的提问来源于stack exchange，提问作者Mert Can Basut