使用 GDAL 和 Python 的最小距离算法

我正在尝试实施最短距离算法使用 GDAL 和 Python 进行图像分类。计算样本区域的平均像素值并将其存储到数组列表（“sample_array”）中后，我将图像读入名为“values”的数组中。使用以下代码循环遍历该数组：

values = valBD.ReadAsArray()

# loop through pixel columns
for X in range(0,XSize):

    # loop thorugh pixel lines
    for Y in range (0, YSize):

        # initialize variables
        minDist = 9999
        # get minimum distance
        for iSample in range (0, sample_count):
            # dist = calc_distance(values[jPixel, iPixel], sample_array[iSample])

            # computing minimum distance
            iPixelVal = values[Y, X]
            mean = sample_array[iSample]
            dist = math.sqrt((iPixelVal - mean) * (iPixelVal - mean)) # only for testing

            if dist < minDist:
                minDist = dist
                values[Y, X] = iSample

classBD.WriteArray(values, xoff=0, yoff=0)

对于大图像，此过程需要很长时间。这就是为什么我想问是否有人知道更快的方法。我不太了解 python 中不同变量的访问速度。或者也许有人知道我可以使用的图书馆。 提前致谢， 马里奥

您绝对应该使用 NumPy。我使用一些相当大的栅格数据集，NumPy 会烧毁它们。在我的机器上，使用下面的代码对于 1000 x 1000 阵列没有明显的延迟。代码后面有对其工作原理的解释。

import numpy as np
from scipy.spatial.distance import cdist

# some starter data
dim = (1000,1000)
values = np.random.randint(0, 10, dim)

# cdist will want 'samples' as a 2-d array
samples = np.array([1, 2, 3]).reshape(-1, 1)

# this could be a one-liner
# 'values' must have the same number of columns as 'samples'
mins = cdist(values.reshape(-1, 1), samples)
outvalues = mins.argmin(axis=1).reshape(dim)

cdist() http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cdist.html计算与每个元素的“距离”values到每个元素samples。这会生成一个 1,000,000 x 3 数组，其中每一行n与像素的距离n原始数组中的每个样本值[1, 2, 3]. argmin(axis=1)为您提供每行最小值的索引，这就是您想要的。快速重塑可为您提供图像所需的矩形格式。