Scipy中如何实现忽略零值数据点的median_filter中值滤波

scipy 自带的 median_filter 没有内置过滤指定数值的逻辑，你可以通过 generic_filter 自定义滤波规则实现需求，以下是两种可直接使用的实现：

方案1：基础自定义实现 #

适合小数据量场景，逻辑可控，可自定义特殊场景的处理规则：

import numpy as np
from scipy.ndimage import generic_filter

def non_pos_ignored_median_filter(input_arr, window_size):
    def calc_median(window):
        # 过滤窗口内所有非正数值
        valid_values = window[window > 0]
        # 可根据需求调整无有效值时的返回值，示例默认返回0
        if valid_values.size == 0:
            return 0
        return np.median(valid_values)
    return generic_filter(input_arr, calc_median, size=window_size)

效果测试 #

针对你给出的示例场景测试：

test_data = np.array([40, 50, 0, 90])
# 窗口大小设置为4，和示例窗口匹配
result = non_pos_ignored_median_filter(test_data, window_size=4)
# 输出结果中对应位置的中位数为50，符合预期

方案2：高性能优化实现 #

处理大尺寸数组（比如高清图像）时，优先选择该方案，利用numpy内置的NaN处理逻辑提升运算效率：

import numpy as np
from scipy.ndimage import generic_filter

def fast_non_pos_ignored_median_filter(input_arr, window_size):
    # 先将所有非正数值替换为NaN
    masked_arr = np.where(input_arr > 0, input_arr, np.nan)
    # nanmedian会自动忽略NaN值计算中位数
    result = generic_filter(masked_arr, np.nanmedian, size=window_size)
    # 可自行添加后续NaN处理逻辑，比如替换为0、原数组值等
    return np.nan_to_num(result, nan=0)

注意事项 #

• 两种方案都支持一维、二维、多维数组，window_size 参数用法和原生 median_filter 完全一致，支持传入 tuple 指定不同维度的窗口大小
• 无有效值场景的返回值可根据业务需求调整，比如需要保留原位置数值的话，可传入原数组做替换即可

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