从 3D numpy 数组中选择多个补丁答案

【问题标题】：Selecting multiple patches from a 3D numpy array从 3D numpy 数组中选择多个补丁
【发布时间】：2017-01-26 01:47:42
【问题描述】：

我有一个 3D numpy 数组，大小为 50x50x4。我还有 50x50 平面上几个点的位置。对于每个点，我需要提取一个以该点为中心的 11x11x4 区域。如果该区域与边界重叠，则该区域必须环绕。请问最有效的方法是什么？

我目前正在使用 for 循环遍历每个点，对 3D 矩阵进行子集化，并将其存储在预初始化数组中。是否有一个内置的 numpy 函数可以做到这一点？谢谢你。

抱歉回复慢，非常感谢大家的投入。

【问题讨论】：

标签： python arrays numpy 3d

【解决方案1】：

一种方法是在最后一个轴上使用np.pad 和wrapping 功能。然后，我们将使用np.lib.stride_tricks.as_strided 在这个填充版本上创建滑动窗口，作为填充数组的视图将不再占用内存。最后，我们将索引到滑动窗口以获得最终输出。

# Based on http://stackoverflow.com/a/41850409/3293881
def patchify(img, patch_shape): 
    X, Y, a = img.shape
    x, y = patch_shape
    shape = (X - x + 1, Y - y + 1, x, y, a)
    X_str, Y_str, a_str = img.strides
    strides = (X_str, Y_str, X_str, Y_str, a_str)
    return np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides)

def sliding_patches(a, BSZ):
    hBSZ = (BSZ-1)//2
    a_ext = np.dstack(np.pad(a[...,i], hBSZ, 'wrap') for i in range(a.shape[2]))
    return patchify(a_ext, (BSZ,BSZ))

示例运行 -

In [51]: a = np.random.randint(0,9,(4,5,2)) # Input array

In [52]: a[...,0]
Out[52]: 
array([[2, 7, 5, 1, 0],
       [4, 1, 2, 0, 7],
       [1, 3, 0, 8, 4],
       [8, 0, 5, 2, 7]])

In [53]: a[...,1]
Out[53]: 
array([[0, 3, 3, 8, 7],
       [3, 8, 2, 8, 2],
       [8, 4, 3, 8, 7],
       [6, 6, 8, 5, 5]])

现在，让我们在a 中选择一个中心点，比如说(1,0) 并尝试在它周围找到blocksize (BSZ) = 3 的补丁-

In [54]: out = sliding_patches(a, BSZ=3) # Create sliding windows

In [55]: out[1,0,...,0]  # patch centered at (1,0) for slice-0
Out[55]: 
array([[0, 2, 7],
       [7, 4, 1],
       [4, 1, 3]])

In [56]: out[1,0,...,1]  # patch centered at (1,0) for slice-1
Out[56]: 
array([[7, 0, 3],
       [2, 3, 8],
       [7, 8, 4]])

因此，在(1,0) 周围获取补丁的最终输出将是：out[1,0,...,:]，即out[1,0]。

无论如何，让我们对原始形状数组进行形状检查 -

In [65]: a = np.random.randint(0,9,(50,50,4))

In [66]: out = sliding_patches(a, BSZ=11)

In [67]: out[1,0].shape
Out[67]: (11, 11, 4)

【讨论】：

【解决方案2】：

根据您必须执行多少次，一种简单有效的方法是填充原始数组：

p = np.concatenate([a[-5:, ...], a, a[:5, ...]], axis=0)
p = np.concatenate([p[:, -5:, :], p, p[:, :5, :]], axis=1)

那么你可以简单地切片

s = p[x0 : x0 + 11, x1 : x1 + 11, :]

【讨论】：