### 获取指定中心位置的特征点 为了实现从给定尺寸的图像中提取特定大小和形状的兴趣区域，可以利用NumPy库来创建坐标网格并筛选所需的像素点。对于2160x3840分辨率的图像，在点(1080,1920)处选取24×43个特征点形成矩形排列的任务可以通过定义合适的边界框完成。 考虑到目标是要围绕着中心点构建一个宽为43高为24的矩形区域，则需要计算出该矩形相对于整个图像的具体位置： - 宽度方向上的偏移量应为\( \frac{43}{2} = 21.5\)（向下取整），因此实际宽度方向起始索引为 \(1920 - 21=1899\), 结束索引为 \(1920 + 22=1942\)； - 高度方向上的偏移量则为\( \frac{24}{2}=12\)，所以高度方向起点设为 \(1080 - 12=1068\), 终点设定为 \(1080 + 12=1092\)； 下面给出具体的Python代码片段用于获取这些特征点的位置信息: ```python import numpy as np def get_feature_points(image_shape, center_point, width_height=(43, 24)): """ 根据给定参数返回感兴趣区域内所有像素坐标的列表 参数: image_shape -- 整张图片的高度和宽度元组形式表示 (height,width) center_point -- 感兴趣区间的几何中心坐标 (y,x)，注意这里的顺序是先纵轴再横轴 width_height -- 所需截取矩形区间水平垂直方向长度组成的二元组 返回值: feature_points -- 符合条件的所有像素点构成的一维数组 """ half_width = int(width_height[0]/2) half_height = int(width_height[1]/2) y_start = max(center_point[0]-half_height, 0) y_end = min(y_start+width_height[1], image_shape[0]) x_start = max(center_point[1]-half_width, 0) x_end = min(x_start+width_height[0], image_shape[1]) X, Y = np.mgrid[y_start:y_end, x_start:x_end] # 将二维矩阵转换成一维向量 points_y = Y.flatten() points_x = X.flatten() # 合并得到最终的结果集 feature_points = list(zip(points_y, points_x)) return feature_points image_size = (2160, 3840) center_location = (1080, 1920) feature_area_dimensions = (43, 24) points_list = get_feature_points( image_shape=image_size, center_point=center_location, width_height=feature_area_dimensions ) print(f"Total number of extracted features: {len(points_list)}") ``` 上述方法能够有效地定位到所需范围内所有的特征点，并按照自然扫描的方式——即从左至右、由上往下遍历每一个可能存在的有效像素点[^3]。