Python中如何基于指定条件提取NumPy数组子元素并获取其轮廓

前置处理：对象数组转数值数组 #

如果你的原始数组为NumPy对象类型，先做格式转换，将无效值统一转为NaN：

import numpy as np
# 示例转换逻辑，可根据你的实际对象格式调整
arr = np.vectorize(lambda x: float(x) if x not in [None, ''] else np.nan)(原始对象数组)

步骤1：生成目标区域掩码 #

先筛选出所有符合核心判定条件的0值元素，排除NaN：

# 目标区域掩码：值为0且非NaN的元素
target_mask = (arr == 0) & (~np.isnan(arr))

步骤2：识别独立子元素（连通域） #

你需要的子元素本质是掩码中的连通区域，可通过连通域标记实现，支持自定义连通规则：

from scipy.ndimage import label
# 4连通规则：仅上下左右相邻算同一子元素；如果需要斜向也算连通，替换为np.ones((3,3))即可
connect_structure = np.array([[0,1,0],[1,1,1],[0,1,0]])
# labels为和原数组同尺寸的数组，每个子元素对应唯一的数值标签（1~n_components），0代表背景
labels, n_components = label(target_mask, structure=connect_structure)

步骤3：提取子元素轮廓 #

符合要求的轮廓为子元素中，相邻元素属于边界判定条件（数组边界、非0、NaN）的像素：

from scipy.ndimage import binary_dilation
# 背景掩码：所有不属于目标区域的元素（非0、NaN）
background_mask = (arr != 0) | np.isnan(arr)

contours = []
for component_id in range(1, n_components + 1):
    # 单个子元素的掩码
    current_component_mask = labels == component_id
    # 对子元素做1像素膨胀，得到子元素向外扩展1步的区域
    dilated_mask = binary_dilation(current_component_mask, structure=connect_structure)
    # 子元素中属于“膨胀后和背景的交集”的像素，就是轮廓点
    contour_mask = current_component_mask & (dilated_mask & background_mask)
    # 保存结果，可根据需要调整输出格式
    contours.append({
        "id": component_id,
        # 轮廓点的坐标列表，格式为[[x1,y1],[x2,y2]...]
        "contour_coords": np.argwhere(contour_mask),
        # 完整子元素的掩码，可直接用于索引原数组
        "full_mask": current_component_mask
    })

可选扩展：最小外接矩形轮廓 #

如果需要子元素的外接矩形轮廓，不需要膨胀运算，直接对坐标取极值即可：

for component in contours:
    coords = np.argwhere(component["full_mask"])
    y_min, x_min = coords.min(axis=0)
    y_max, x_max = coords.max(axis=0)
    # 外接矩形四个顶点坐标
    component["rect_contour"] = [(y_min, x_min), (y_min, x_max), (y_max, x_max), (y_max, x_min)]

内容的提问来源于stack exchange，提问作者Quertsy