在 Python 中找到最佳匹配的块/补丁 [关闭]答案

【问题标题】：Finding the best matching block/patch in Python [closed]在 Python 中找到最佳匹配的块/补丁 [关闭]
【发布时间】：2014-08-08 20:36:44
【问题描述】：

我希望在以较大二维数组的位置 (x,y) 为中心的 WxW 窗口内找到最接近的匹配 NxN 块。下面的代码工作正常，但对我的需要来说非常慢，因为我需要多次运行此操作。有一个更好的方法吗？？这里 N = 3, W = 15, x =15, y = 15 并且 (bestx,besty) 是最佳匹配块的中心

import numpy as np

## Generate some test data
CurPatch = np.random.randint(20, size=(3, 3))
Data = np.random.randint(20,size=(30,30))

# Current Location 
x,y = 15,15
# Initialise Best Match
bestcost = 999.0
bestx = 0;besty=0

for Wy in xrange(-7,8):
    for Wx in xrange(-7,8):
            Ywj,Ywi = y+Wy,x+Wx 

            cost = 0.0
            for py in xrange(3):
                for px in xrange(3):
                    cost += abs(Data[Ywj+py-1,Ywi+px-1] - CurPatch[py,px]) 

            if cost < bestcost:
                bestcost = cost
                besty,bestx = Ywj,Ywi

print besty,bestx

【问题讨论】：

你可以检查cost是否大于或等于bestcost里面的for px in xrange(3):如果是的话你可以break，这样你可以节省很多不必要的迭代。
这个问题似乎是题外话，因为它是关于改进工作代码，这个问题可能更适合 codereview.stackexchange.com

标签： python arrays window patch matching

【解决方案1】：

为了感受速度，使用 numpy 的 w 与大窗口大小相同的子问题更快（也更简洁）：

a= '''import numpy as np


## Generate some test data
CurPatch = np.random.randint(20, size=(3, 3))
Data = np.random.randint(20,size=(30,30))


def best(CurPatch,Data):

    # Current Location 
    x,y = 15,15
    # Initialise Best Match
    bestcost = 999.0
    bestx = 0;besty=0

    for Wy in xrange(-14,14):
        for Wx in xrange(-14,14):
                Ywj,Ywi = y+Wy,x+Wx 

                cost = 0.0
                for py in xrange(3):
                    for px in xrange(3):
                        cost += (Data[Ywj+py-1,Ywi+px-1] - CurPatch[py,px])**2 

                if cost < bestcost:
                    bestcost = cost
                    besty,bestx = Ywj,Ywi
    return besty,bestx,bestcost



def minimize(CurPatch,W):
    max_sum=999
    s= CurPatch.shape[0]
    S= W.shape[0]
    for i in range(0,S-s):
        for j in range(0,S-s):
            running= np.sum(np.square((W[i:i+3,j:j+3]-CurPatch)))
            if running<max_sum:
                max_sum=running
                x=i+1;y=j+1
    return x,y,max_sum

'''


import timeit
print min(timeit.Timer('minimize(CurPatch,Data)', a).repeat(7, 10))
print min(timeit.Timer('best(CurPatch,Data)', a).repeat(7, 10))

【讨论】：

【解决方案2】：

正如我在评论中所说，您可以检查cost 是否大于或等于bestcost 内的bestcost，如果是这样，您可以中断，这样您可以节省很多不必要的迭代

示例（是否会改变灯光以强调更大迭代的差异）：

import numpy as np
import time

## Generate some test data
CurPatch = np.random.randint(100, size=(3, 3))
Data = np.random.randint(100, size=(3000,3000))

# Current Location 
x,y = 10, 10
# Initialise Best Match
bestcost = 999.0
bestx = 0;besty=0

t0 = time.time()
for Wy in xrange(-7,50):
    for Wx in xrange(-7,50):
            Ywj, Ywi = y+Wy, x+Wx

            cost = 0.0
            for py in xrange(3):
                for px in xrange(3):
                    cost += abs(Data[Ywj+py-1,Ywi+px-1] - CurPatch[py,px])
                    if cost >= bestcost:
                        break

            if cost < bestcost:
                bestcost = cost
                besty,bestx = Ywj,Ywi

print besty, bestx
print "time: {}".format(time.time() - t0)

时间为 26ms

时间：0.0269999504089

您的代码没有中断将输出 37 毫秒：

时间：0.0379998683929

另外我必须建议将此代码转换为函数。

【讨论】：