Как я могу рисовать линии в массивы numpy?

я наткнулся на этот вопрос, ища решение, и предоставленный ответ решает его довольно хорошо. Однако это не совсем соответствовало моим целям, для которых мне нужно было "тензоризуемое" решение (т. е. реализованное в numpy без явных циклов) и, возможно, с опцией linewidth. Я в конечном итоге реализовал свою собственную версию, и поскольку в конце концов она также довольно быстрее, чем line_aa, я подумал, что могу поделиться ею.

оно приходит в 2 флейворы, С и без linewidth. На самом деле первое не является обобщением второго и не полностью согласуется с line_aa, но для моих целей они просто прекрасны, и на сюжетах они выглядят нормально.

def naive_line(r0, c0, r1, c1):
    # The algorithm below works fine if c1 >= c0 and c1-c0 >= abs(r1-r0).
    # If either of these cases are violated, do some switches.
    if abs(c1-c0) < abs(r1-r0):
        # Switch x and y, and switch again when returning.
        xx, yy, val = naive_line(c0, r0, c1, r1)
        return (yy, xx, val)

    # At this point we know that the distance in columns (x) is greater
    # than that in rows (y). Possibly one more switch if c0 > c1.
    if c0 > c1:
        return naive_line(r1, c1, r0, c0)

    # We write y as a function of x, because the slope is always <= 1
    # (in absolute value)
    x = np.arange(c0, c1+1, dtype=float)
    y = x * (r1-r0) / (c1-c0) + (c1*r0-c0*r1) / (c1-c0)

    valbot = np.floor(y)-y+1
    valtop = y-np.floor(y)

    return (np.concatenate((np.floor(y), np.floor(y)+1)).astype(int), np.concatenate((x,x)).astype(int),
            np.concatenate((valbot, valtop)))

я назвал это "наивным", потому что это очень похоже на наивную реализацию в Википедия, но с некоторым сглаживанием, хотя и не идеально (например, делает очень тонкие диагонали).

взвешенная версия дает гораздо более толстую линию более выраженной анти-алиасинг.

def trapez(y,y0,w):
    return np.clip(np.minimum(y+1+w/2-y0, -y+1+w/2+y0),0,1)

def weighted_line(r0, c0, r1, c1, w, rmin=0, rmax=np.inf):
    # The algorithm below works fine if c1 >= c0 and c1-c0 >= abs(r1-r0).
    # If either of these cases are violated, do some switches.
    if abs(c1-c0) < abs(r1-r0):
        # Switch x and y, and switch again when returning.
        xx, yy, val = weighted_line(c0, r0, c1, r1, w, rmin=rmin, rmax=rmax)
        return (yy, xx, val)

    # At this point we know that the distance in columns (x) is greater
    # than that in rows (y). Possibly one more switch if c0 > c1.
    if c0 > c1:
        return weighted_line(r1, c1, r0, c0, w, rmin=rmin, rmax=rmax)

    # The following is now always < 1 in abs
    slope = (r1-r0) / (c1-c0)

    # Adjust weight by the slope
    w *= np.sqrt(1+np.abs(slope)) / 2

    # We write y as a function of x, because the slope is always <= 1
    # (in absolute value)
    x = np.arange(c0, c1+1, dtype=float)
    y = x * slope + (c1*r0-c0*r1) / (c1-c0)

    # Now instead of 2 values for y, we have 2*np.ceil(w/2).
    # All values are 1 except the upmost and bottommost.
    thickness = np.ceil(w/2)
    yy = (np.floor(y).reshape(-1,1) + np.arange(-thickness-1,thickness+2).reshape(1,-1))
    xx = np.repeat(x, yy.shape[1])
    vals = trapez(yy, y.reshape(-1,1), w).flatten()

    yy = yy.flatten()

    # Exclude useless parts and those outside of the interval
    # to avoid parts outside of the picture
    mask = np.logical_and.reduce((yy >= rmin, yy < rmax, vals > 0))

    return (yy[mask].astype(int), xx[mask].astype(int), vals[mask])

регулировка веса, по общему признанию, довольно произвольна, поэтому любой может настроить это на свой вкус. Rmin и rmax теперь необходимы, чтобы избежать пикселей за пределами изображения. Сравнение:

как вы можете видеть, даже при w=1, weighted_line немного толще, но в некотором роде однородным образом; аналогично, naive_line однородно немного тоньше.

заключительная заметка о бенчмаркинге: на моем машина, бегом!--2--> для различных функций (w=1 для weighted_line) привело к времени 90 МКС для line_aa, 84 МКС для weighted_line (хотя время, конечно, увеличивается с весом) и 18 МКС для naive_line. Опять же для сравнения, переопределение line_aa в чистом Python (вместо Cython, как в пакете) заняло 350 МКС.

Я нашел val * 255 подход в ответе неоптимальный, потому что он, кажется, работает правильно только на черном фоне. Если фон содержит более темные и яркие области, это не кажется совсем правильным:

чтобы он работал правильно на всех фонах, нужно учитывать цвета пикселей,которые покрыты сглаженной линией.

Here is a little demo that builds on the original answer:
from scipy import ndimage
from scipy import misc
from skimage.draw import line_aa
import numpy as np


img = np.zeros((100, 100, 4), dtype = np.uint8)  # create image
img[:,:,3] = 255                                 # set alpha to full
img[30:70, 40:90, 0:3] = 255                     # paint white rectangle
rows, cols, weights = line_aa(10, 10, 90, 90)    # antialias line

w = weights.reshape([-1, 1])            # reshape anti-alias weights
lineColorRgb = [255, 120, 50]           # color of line, orange here

img[rows, cols, 0:3] = (
  np.multiply((1 - w) * np.ones([1, 3]),img[rows, cols, 0:3]) +
  w * np.array([lineColorRgb])
)
misc.imsave('test.png', img)

самая интересная часть is

np.multiply((1 - w) * np.ones([1, 3]),img[rows, cols, 0:3]) +
w * np.array([lineColorRgb])

где новый цвет вычисляется из исходного цвета изображения и цвета линии с помощью линейной интерполяции с использованием значений из анти-псевдонима weights. Вот результат, оранжевая линия работает над двумя видами фона:

теперь пиксели, которые окружают линию в верхней половине, становятся темный, тогда как пиксели в нижней половине стало ярче.