布尔掩码的应用

掌握如何使用布尔掩码和高级索引是提高Python编程效率和编写更简洁代码的关键。以下是一些提示帮助你掌握这种思想：
掩码通常用于索引、赋值、以及函数应用等多种场景。这是一种强大的特性，允许你对数组进行条件选择和操作。这里有一些常见的例子：

索引

使用掩码进行条件索引，从而选择符合特定条件的元素：

a = np.array([1, 2, 3, 4, 5])
mask = a > 3
selected_elements = a[mask]  # 结果是 [4, 5]

赋值

使用掩码来对数组的特定元素进行赋值：

a[mask] = 10  # 只有当mask为True时，相应的元素才会被赋值为10

函数应用

许多NumPy函数可以直接在掩码选定的元素上操作，如mean、sum、std、min、max等：

mean_val = np.mean(a[mask])  # 计算所有大于3的元素的平均值

布尔运算

结合多个条件进行复杂的选择：

b = np.array([1, 2, 3, 4, 5])
mask1 = a > 2
mask2 = b < 5
combined_mask = mask1 & mask2  # 结合两个条件
combined_selection = a[combined_mask]  # 结果是 [3, 4]

np.where

np.where函数也可以用掩码来决定从两个选项中选择哪个：

result = np.where(mask, a, b)  # 当mask为True时选择a中的元素，否则从b中选择

处理图像

想象一下你有一张图像，它在三个通道（比如RGB）上有不同的值。如果你想针对某些特定的像素计算每个通道的平均值，可以这么做：

1. 首先，你需要一个布尔掩码来指示你感兴趣的像素。
2. 然后，你用这个掩码选择图像中对应的像素值。
3. 最后，对这些选中的像素值使用np.mean来计算它们的平均值。

假设我们有一个小图像，大小为3x3像素，并且有两个通道。我们可以创建一个掩码，选择右上角2x2像素的区域，并计算这个区域在每个通道的平均值：

import numpy as np

# 创建一个3x3像素大小的图像，有三个通道
image = np.array([
    [[100, 150, 200], [110, 160, 210], [120, 170, 220]],
    [[130, 180, 230], [140, 190, 240], [150, 200, 250]],
    [[160, 210, 260], [170, 220, 270], [180, 230, 280]]
])

# 创建一个掩码，正确选择右上角2x2像素区域
mask = np.array([
    [False, True, True],
    [False, True, True],
    [False, False, False]
])


mean_values = np.array([np.mean(image[:, :, channel][mask]) for channel in range(3)])

结果是

for channel in range(3):
    print(image[:, :, channel][mask] )
    
[110 120 140 150]
[160 170 190 200]
[210 220 240 250]

mean_values
Out[12]: array([130., 180., 230.])

array([130., 180., 230.])