我如何在类似于Matlab的blkproc（blockproc）函数的块中高效处理numpy数组

Question

我正在寻找一种有效的方法，用于将图像有效地划分为较小的区域，分别处理每个区域，然后将每个过程的结果重新组合为一个已处理的图像。Matlab为此提供了一个名为blkproc的工具（blockproc在较新的Matlab版本中被替换）。

在理想情况下，函数或类也将支持输入矩阵中各部分之间的重叠。在Matlab帮助中，blkproc定义为：

B = blkproc（A，[mn]，[mborder nborder]，fun，…）

• A是您的输入矩阵，
• [mn]是块大小
• [mborder，nborder]是边界区域的大小（可选）
• fun是应用于每个块的功能

我已经拼凑出一个方法，但是它让我感到笨拙，我敢打赌，还有更好的方法。冒着我自己的窘境，这是我的代码：

import numpy as np

def segmented_process(M, blk_size=(16,16), overlap=(0,0), fun=None):
    rows = []
    for i in range(0, M.shape[0], blk_size[0]):
        cols = []
        for j in range(0, M.shape[1], blk_size[1]):
            cols.append(fun(M[i:i+blk_size[0], j:j+blk_size[1]]))
        rows.append(np.concatenate(cols, axis=1))
    return np.concatenate(rows, axis=0)

R = np.random.rand(128,128)
passthrough = lambda(x):x
Rprime = segmented_process(R, blk_size=(16,16), 
                           overlap=(0,0), 
                           fun=passthrough)

np.all(R==Rprime)

Answer 1

以下是使用块的另一种（无循环）方法的示例：

import numpy as np
from numpy.lib.stride_tricks import as_strided as ast

A= np.arange(36).reshape(6, 6)
print A
#[[ 0  1  2  3  4  5]
# [ 6  7  8  9 10 11]
# ...
# [30 31 32 33 34 35]]

# 2x2 block view
B= ast(A, shape= (3, 3, 2, 2), strides= (48, 8, 24, 4))
print B[1, 1]
#[[14 15]
# [20 21]]

# for preserving original shape
B[:, :]= np.dot(B[:, :], np.array([[0, 1], [1, 0]]))
print A
#[[ 1  0  3  2  5  4]
# [ 7  6  9  8 11 10]
# ...
# [31 30 33 32 35 34]]
print B[1, 1]
#[[15 14]
# [21 20]]

# for reducing shape, processing in 3D is enough
C= B.reshape(3, 3, -1)
print C.sum(-1)
#[[ 14  22  30]
# [ 62  70  78]
# [110 118 126]]

因此，仅尝试简单地将matlab功能复制到numpy并不是所有最佳方式。有时需要“脱帽而出”的思维。

注意 ：
通常，基于跨步技巧的实现 可能会
（但不一定需要）遭受一些性能损失。因此，请做好准备以各种方式衡量您的表现。无论如何，明智的做法是先检查所需的功能（或足够相似，以便轻松适应）是否已在numpy或中实现scipy。

更新 ：
请注意，这里没有magic涉及任何实际内容strides，因此我将提供一个简单的函数来获取block_view任何合适的2Dnumpy数组。所以我们开始：

from numpy.lib.stride_tricks import as_strided as ast

def block_view(A, block= (3, 3)):
    """Provide a 2D block view to 2D array. No error checking made.
    Therefore meaningful (as implemented) only for blocks strictly
    compatible with the shape of A."""
    # simple shape and strides computations may seem at first strange
    # unless one is able to recognize the 'tuple additions' involved ;-)
    shape= (A.shape[0]/ block[0], A.shape[1]/ block[1])+ block
    strides= (block[0]* A.strides[0], block[1]* A.strides[1])+ A.strides
    return ast(A, shape= shape, strides= strides)

if __name__ == '__main__':
    from numpy import arange
    A= arange(144).reshape(12, 12)
    print block_view(A)[0, 0]
    #[[ 0  1  2]
    # [12 13 14]
    # [24 25 26]]
    print block_view(A, (2, 6))[0, 0]
    #[[ 0  1  2  3  4  5]
    # [12 13 14 15 16 17]]
    print block_view(A, (3, 12))[0, 0]
    #[[ 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]]