用于 Python 图像处理的类似 Blockproc 的函数答案

【问题标题】：Blockproc like function for Python image processing用于 Python 图像处理的类似 Blockproc 的函数
【发布时间】：2015-02-19 03:29:28
【问题描述】：

编辑：这是一张图片，所以建议的 (How can I efficiently process a numpy array in blocks similar to Matlab's blkproc (blockproc) function) 对我来说并不适用

我有以下matlab代码

fun = @(block_struct) ...
std2(block_struct.data) * ones(size(block_struct.data));

B=blockproc(im2double(Icorrected), [4 4], fun);

我想重新编写我的代码，但这次是在 Python 中。我已经安装了 Scikit，我正在尝试像这样解决它

b = np.std(a, axis = 2)

问题当然是我没有对多个块应用标准，就像上面一样。

我怎么能做这样的事情？开始一个循环并尝试为每个 X*X 块调用函数？那我就不会保持原来的大小了。

还有其他更有效的方法吗？

【问题讨论】：

stackoverflow.com/questions/5073767/… 的重复项？（这有帮助吗？）
@AndyHayden 这是我检查过的东西，但考虑到所要求的时间以及如何引入像 Scikit 这样的库，我希望有更清楚的东西。
@AndyHayden 指出的as_strided 解决方案是您最好的选择。这是另一个使用as_strided：stackoverflow.com/a/26848312/2823755
@wwii 我的列表已经采用 B[:, :] 部分之前显示的格式。尽管我无法理解其余的解决方案，但还是选择了我自己的平庸之作。

标签： python matlab image-processing

【解决方案1】：

我做了以下

io.use_plugin('pil', 'imread')
a = io.imread('C:\Users\Dimitrios\Desktop\polimesa\\arizona.jpg')

B = np.zeros((len(a)/2 +1, len(a[0])/2 +1))


for i in xrange(0, len(a), 2):
    for j in xrange(0, len(a[0]), 2):
        x.append(a[i][j])
        if i+1 < len(a):
            x.append(a[i+1][j])
        if j+1 < len(a[0]):
           x.append(a[i][j+1])
        if i+1 < len(a) and j+1 < len(a[0]):
           x.append(a[i+1][j+1])
        B[i/2][j/2] = np.std(x)
        x[:] = []

我认为这是正确的。将图像迭代 2 并获取每个相邻节点，将它们添加到列表中并计算标准。

edit* 稍后编辑为 4x4 块。

【讨论】：

【解决方案2】：

如果 windows 中没有重叠，您可以重新调整数据以满足您的需要：

求 9x9 数组的 3x3 窗口的平均值。

import numpy as np

>>> a
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23, 24, 25, 26],
       [27, 28, 29, 30, 31, 32, 33, 34, 35],
       [36, 37, 38, 39, 40, 41, 42, 43, 44],
       [45, 46, 47, 48, 49, 50, 51, 52, 53],
       [54, 55, 56, 57, 58, 59, 60, 61, 62],
       [63, 64, 65, 66, 67, 68, 69, 70, 71],
       [72, 73, 74, 75, 76, 77, 78, 79, 80]])

找到新的形状

>>> window_size = (3,3)
>>> tuple(np.array(a.shape) / window_size) + window_size
(3, 3, 3, 3)
>>> b = a.reshape(3,3,3,3)

沿第一和第三轴求平均值。

>>> b.mean(axis = (1,3))
array([[ 10.,  13.,  16.],
       [ 37.,  40.,  43.],
       [ 64.,  67.,  70.]])
>>>

4x4 数组的 2x2 窗口：

>>> a = np.arange(16).reshape((4,4))
>>> window_size = (2,2)
>>> tuple(np.array(a.shape) / window_size) + window_size
(2, 2, 2, 2)
>>> b = a.reshape(2,2,2,2)
>>> b.mean(axis = (1,3))
array([[  2.5,   4.5],
       [ 10.5,  12.5]])
>>>

如果窗口大小不均匀地划分为数组大小，它将不起作用。在这种情况下，您需要在窗口中进行一些重叠，或者如果您只想重叠 numpy.lib.stride_tricks.as_strided 是可行的方法 - 可以在 Efficient Overlapping Windows with Numpy 找到一个通用的 N-D 函数

二维数组的另一个选项是 sklearn.feature_extraction.image.extract_patches_2d 和 ndarray 的 - sklearn.feature_extraction.image.extract_patches。每个都操纵数组的步幅来生成补丁/窗口。

【讨论】：