计算图像中每个像素到最近白色像素的距离

本文将介绍如何使用 Python 计算图像中每个像素到最近白色像素的距离。以下是一个示例，假设您有一个 3x4 的屏幕规格：

输入矩阵 (代表屏幕规格):

0 0 0 1
0 0 1 1
0 1 1 0

输出矩阵 (每个元素代表到最近白色像素的距离):

3 2 1 0
2 1 0 0
1 0 0 1

代码示例 (Python):

def calculate_distance(matrix):
    rows = len(matrix)
    cols = len(matrix[0])
    result = [[float('inf')] * cols for _ in range(rows)]

    for i in range(rows):
        for j in range(cols):
            if matrix[i][j] == 1:
                result[i][j] = 0
            else:
                for k in range(rows):
                    for l in range(cols):
                        if matrix[k][l] == 1:
                            distance = abs(i - k) + abs(j - l)
                            result[i][j] = min(result[i][j], distance)
    return result

# 测试代码
input_matrix = [
    [0, 0, 0, 1],
    [0, 0, 1, 1],
    [0, 1, 1, 0]
]

output_matrix = calculate_distance(input_matrix)

for row in output_matrix:
    print(row)

代码解释:

calculate_distance(matrix) 函数接收一个二维列表 matrix 作为输入，表示图像像素值。
创建一个与输入矩阵大小相同的 result 矩阵，初始化为无穷大，用于存储每个像素到最近白色像素的距离。
遍历输入矩阵，如果当前像素值为 1 (白色像素)，则将其在 result 矩阵中对应位置的值设置为 0。
对于非白色像素，遍历整个矩阵，找到所有白色像素，计算当前像素到每个白色像素的曼哈顿距离 (Manhattan distance)，并将 result 矩阵中对应位置的值更新为最小距离。
最后返回 result 矩阵，即每个像素到最近白色像素的距离。

您可以运行以上代码，验证输出结果是否与预期相符。

注意: 以上代码示例使用曼哈顿距离计算像素距离，您也可以根据需要修改为其他距离计算方式，例如欧氏距离。