Python中均匀间隔带状结构阵列与均质阵列的识别方法咨询

现有方案失效的核心原因 #

之前采用的偏度（skewness）、均方根（RMS）方法，本质是仅统计阵列的全局信号值分布特征，完全未纳入信号的空间排布信息。当阵列中的带状结构为均匀间隔排布时，其全局信号的统计属性（如均值、离散度、分布不对称性）与全域均质阵列的差异极小——例如等间隔明暗条纹阵列的信号值为一半明、一半暗的二元分布，偏度接近0，RMS与同等明暗范围的均质随机阵列几乎无差别，这也是原有方案在这类场景下准确率大幅下降的核心原因。

适配高精度需求的Python实现方案 #

以下方案均围绕空间结构特征设计，专门针对均匀间隔带状结构的识别优化，无需复杂模型即可达到高区分度：

• 二维傅里叶变换（2D FFT）频域能量占比判别
  原理：带状结构本质是具有固定空间周期的结构化信号，在频域中会在垂直于带状走向的方向上产生集中的高能量尖峰；全域均质阵列的频域能量是均匀平缓分布的，不存在集中的强频率分量。即使是均匀间隔的带状结构，其固定周期对应的频域尖峰特征也不会消失。
  核心实现逻辑：对输入阵列去除直流分量后做二维傅里叶变换，屏蔽零频邻域的直流分量，计算非零频域中最大峰值能量占总非零频能量的比例，比例越高说明带状结构特征越强。
  参考代码片段：

  import numpy as np
  from scipy.fft import fft2, fftshift
  
  def fft_band_indicator(array: np.ndarray) -> float:
      # 移除全局直流分量
      arr_centered = array - array.mean()
      # 傅里叶变换并将零频移至中心位置
      fft_arr = fftshift(fft2(arr_centered))
      amp_spec = np.abs(fft_arr)
      # 屏蔽中心3x3范围的直流分量区域，避免直流干扰
      center = (amp_spec.shape[0]//2, amp_spec.shape[1]//2)
      y, x = np.ogrid[:amp_spec.shape[0], :amp_spec.shape[1]]
      dc_mask = (y - center[0])**2 + (x - center[1])**2 <= 3**2
      amp_spec[dc_mask] = 0
      # 计算峰值能量占总非零频能量的比例
      peak_energy = amp_spec.max() ** 2
      total_energy = amp_spec.sum() ** 2
      return peak_energy / (total_energy + 1e-8)
  

• 二维自相关周期性强度判别
  原理：计算阵列在不同空间偏移量下的信号相似度，带状结构会在偏移量等于带状间距整数倍的位置出现稳定的高相关峰；全域均质阵列的自相关函数除零偏移点外，其余位置的相关值会快速衰减趋近于0，不存在重复的周期性高相关峰。该特征完全不依赖信号值的全局分布，仅通过空间排布的相似度捕捉结构特征，对均匀间隔带状结构的辨识度极高。
  参考代码片段：

  from scipy.signal import correlate2d
  
  def autocorr_periodicity_score(array: np.ndarray) -> float:
      # 阵列做标准化处理，消除全局均值、标准差对结果的干扰
      arr_norm = (array - array.mean()) / (array.std() + 1e-8)
      # 计算有效区域的自相关值
      auto_corr = correlate2d(arr_norm, arr_norm, mode='valid')
      # 归一化自相关值到[0,1]区间
      auto_corr = auto_corr / (auto_corr.max() + 1e-8)
      # 屏蔽中心零偏移的邻域区域，排除零偏移点的固有高相关
      center = (auto_corr.shape[0]//2, auto_corr.shape[1]//2)
      center_mask = np.zeros_like(auto_corr, dtype=bool)
      center_mask[center[0]-2:center[0]+3, center[1]-2:center[1]+3] = True
      off_center_corr = auto_corr.copy()
      off_center_corr[center_mask] = 0
      # 返回非中心区域的最大相关值，值越高说明阵列的周期性越强
      return off_center_corr.max()
  

• 结构张量各向异性分数判别
  原理：统计阵列中局部梯度的方向一致性，带状结构的所有边缘走向平行，局部梯度的方向高度统一，结构张量的各向异性分数会处于很高水平；全域均质阵列的局部梯度方向杂乱无章，各向异性分数趋近于0。该特征不受带状间隔均匀性的影响，只要存在平行走向的带状结构就能稳定识别。
  参考代码片段：

  import cv2
  
  def anisotropy_score(array: np.ndarray) -> float:
      img = array.astype(np.float32)
      # 计算x、y方向的梯度分量
      gx = cv2.Sobel(img, cv2.CV_32F, 1, 0, ksize=3)
      gy = cv2.Sobel(img, cv2.CV_32F, 0, 1, ksize=3)
      # 计算结构张量的分量并做高斯平滑，降低噪声干扰
      gxx = cv2.GaussianBlur(gx * gx, (0,0), 3)
      gyy = cv2.GaussianBlur(gy * gy, (0,0), 3)
      gxy = cv2.GaussianBlur(gx * gy, (0,0), 3)
      # 计算结构张量的两个特征值
      lambda1 = (gxx + gyy)/2 + np.sqrt(((gxx - gyy)/2)**2 + gxy**2)
      lambda2 = (gxx + gyy)/2 - np.sqrt(((gxx - gyy)/2)**2 + gxy**2)
      # 计算全局平均各向异性分数
      anisotropy = (lambda1 - lambda2) / (lambda1 + lambda2 + 1e-8)
      return anisotropy.mean()
  

精度优化建议 #

可将上述三个特征组合成特征向量，通过简单的阈值划分或轻量的逻辑回归模型完成两类阵列的分类，无需引入深度学习等复杂方案，即可在均匀间隔带状阵列的测试集上达到极高的识别准确率，同时具备计算速度快、可解释性强的优势。

内容的提问来源于stack exchange，提问作者user142756