我可以向量化这个Python代码吗？

我编写了这段 python 代码来获取标签的邻居（一组共享一些公共属性的像素）。标签的邻居被定义为位于边界另一侧的其他标签（相邻标签共享边界）。所以，我写的代码可以工作，但速度非常慢：

# segments: It is a 2-dimensional numpy array (an image really)
# where segments[x, y] = label_index. So each entry defines the
# label associated with a pixel.

# i: The label whose neighbours we want.

def get_boundaries(segments, i):
    neighbors = []
    for y in range(1, segments.shape[1]):
        for x in range(1, segments.shape[0]):
            # Check if current index has the label we want 
            if segments[x-1, y] == i:
                # Check if neighbour in the x direction has
                # a different label
                if segments[x-1, y] != segments[x, y]:
                    neighbors.append(segments[x,y])

            # Check if neighbour in the y direction has
            # a different label
            if segments[x, y-1] == i:
                if segments[x, y-1] != segments[x, y]:
                    neighbors.append(segments[x, y])

    return np.unique(np.asarray(neighbors))

你可以想象，我在这里可能完全误用了 python。我想知道是否有一种方法可以优化这段代码，使其更加Pythonic。

干得好：

def get_boundaries2(segments, i):
    x, y = np.where(segments == i) # where i is
    right = x + 1
    rightMask = right < segments.shape[0] # keep in bounds
    down = y + 1
    downMask = down < segments.shape[1]
    rightNeighbors = segments[right[rightMask], y[rightMask]]
    downNeighbors = segments[x[downMask], down[downMask]]
    neighbors = np.union1d(rightNeighbors, downNeighbors)
    return neighbors

正如您所看到的，根本没有 Python 循环；我还尝试最小化副本（第一次尝试制作了副本segments带有 NAN 边界，但后来我设计了“保持在边界内”检查）。

注意我没有过滤掉i本身就来自这里的“邻居”；如果你愿意的话，你可以很容易地在最后添加它。一些时间安排：

输入 2000x3000：原始需要 13 秒，我的需要 370 毫秒（35 倍加速）。

输入 1000x300：原始需要 643 毫秒，我的需要 17.5 毫秒（加速 36 倍）。