如何在NumPy/Python中识别布尔数组/Blob的内部区域？

嘿，这个问题我太熟了！既然你想避开逐个遍历邻居的低效循环，那形态学操作绝对是最优解——用NumPy+SciPy的向量化解法，完全基于底层C实现，处理大数组速度快得飞起，完美匹配你的需求。

核心思路 #

我们可以利用**腐蚀（Erosion）**这个形态学操作来区分内部和边界：

• 原始布尔数组（记为mask）中，True代表有效区域（包含边界+内部）
• 腐蚀操作会“吃掉”有效区域的边缘像素，剩下的就是完全被有效像素包围的内部区域
• 边界区域则是原始有效区域减去内部区域的部分

具体实现步骤 #

1. 导入依赖库 #

我们需要用SciPy的binary_erosion来做腐蚀操作，它是完全向量化的，没有Python层面的循环：

import numpy as np
from scipy.ndimage import binary_erosion

2. 定义结构元素 #

结构元素决定了腐蚀操作时检查哪些邻居：

• 默认用3x3全1数组：检查8邻域（上下左右+四个对角线），符合“内部像素所有邻居都是有效”的定义
• 如果只需要4邻域（仅上下左右），可以用自定义的结构元素

# 8邻域结构元素（默认推荐）
struct_elem_8 = np.ones((3, 3), dtype=bool)

# 4邻域结构元素（按需选择）
struct_elem_4 = np.array([
    [False, True, False],
    [True,  True, True],
    [False, True, False]
], dtype=bool)

3. 计算内部与边界区域 #

# 假设这是你的输入布尔数组（替换成你自己的数组）
mask = np.array([
    [False, False, False, False, False],
    [False, True,  True,  True,  False],
    [False, True,  True,  True,  False],
    [False, True,  True,  True,  False],
    [False, False, False, False, False]
])

# 腐蚀得到内部区域：只有完全被有效像素包围的位置才会保留为True
inner = binary_erosion(mask, structure=struct_elem_8)

# 边界区域 = 原始有效区域 - 内部区域
boundary = mask & ~inner

4. 获取坐标或标记数组 #

• 如果你需要内部/边界的坐标对：

# 内部坐标（格式为[(row1, col1), (row2, col2), ...]）
inner_coords = list(map(tuple, np.argwhere(inner)))
# 边界坐标
boundary_coords = list(map(tuple, np.argwhere(boundary)))

print("内部坐标：", inner_coords)
print("边界坐标：", boundary_coords)

• 如果你需要标记内部的布尔数组，直接用inner变量即可，它和原数组形状完全一致，内部位置为True

为什么这个方案高效？ #

• binary_erosion是SciPy底层用C实现的优化操作，完全避开了Python循环，处理大数组的速度比手动遍历快几个数量级
• 完美适配“内部区域始终连通”的前提，腐蚀操作会保留连通的内部区域，不会出现碎片化的问题
• 代码简洁，逻辑清晰，不需要手动处理邻居判断的复杂逻辑

内容的提问来源于stack exchange，提问作者JustANoob