让我们为python的numpy做一个N维像素绑定/存储的参考实现。
让我们为python的numpy做一个N维像素绑定/存储的参考实现。
提问于 2016-03-28 19:21:00
我经常想要像素桶/像素桶一个numpy数组，这意味着，用单个像素替换N连续像素组，这是N替换像素的总和。例如，从值开始：
x = np.array([1, 3, 7, 3, 2, 9])如果桶大小为2，则转换为：
bucket(x, bucket_size=2)
= [1+3, 7+3, 2+9]
= [4, 10, 11]据我所知，没有numpy函数专门这样做(如果我错了，请纠正我)，所以我经常使用自己的函数。对于一维numpy数组，这并不坏：
import numpy as np
def bucket(x, bucket_size):
return x.reshape(x.size // bucket_size, bucket_size).sum(axis=1)
bucket_me = np.array([3, 4, 5, 5, 1, 3, 2, 3])
print(bucket(bucket_me, bucket_size=2)) #[ 7 10 4 5]...however，我很容易被多维案例弄糊涂了，最后我一次又一次地把我自己的“容易”问题的解决方案翻了个底朝天。如果我们能建立一个很好的N维参考实现，我会很高兴的。
- 最好是函数调用允许沿不同的轴(可能类似于
bucket(x, bucket_size=(2, 2, 3)))的不同的bin大小。 - 最好是解决方案是合理有效的(整形和和是相当快的，在坎皮)
- 当数组没有很好地划分为整数个桶数时，处理边缘效果的加成点。
- 允许用户选择初始边沿偏移量的加成点。
正如Divakar所建议的，下面是我想要的2-D示例中的行为：
x = np.array([[1, 2, 3, 4],
[2, 3, 7, 9],
[8, 9, 1, 0],
[0, 0, 3, 4]])
bucket(x, bucket_size=(2, 2))
= [[1 + 2 + 2 + 3, 3 + 4 + 7 + 9],
[8 + 9 + 0 + 0, 1 + 0 + 3 + 4]]
= [[8, 23],
[17, 8]]...hopefully我的算术做得很正确;)
回答 3
Stack Overflow用户
回答已采纳
发布于 2016-03-28 20:11:14
本机来自as_strided：
x = array([[1, 2, 3, 4],
[2, 3, 7, 9],
[8, 9, 1, 0],
[0, 0, 3, 4]])
from numpy.lib.stride_tricks import as_strided
def bucket(x,bucket_size):
x=np.ascontiguousarray(x)
oldshape=array(x.shape)
newshape=concatenate((oldshape//bucket_size,bucket_size))
oldstrides=array(x.strides)
newstrides=concatenate((oldstrides*bucket_size,oldstrides))
axis=tuple(range(x.ndim,2*x.ndim))
return as_strided (x,newshape,newstrides).sum(axis)如果维数不均匀地划分为x的对应维数，则剩余的元素将丢失。
核查：
In [9]: bucket(x,(2,2))
Out[9]:
array([[ 8, 23],
[17, 8]])Stack Overflow用户
发布于 2016-03-28 19:36:21
我认为您可以使用skimage的view_as_blocks来完成大部分繁琐的工作。这个函数是as_strided，所以它非常高效(它只是改变步幅信息来重塑数组)。因为它是用Python/NumPy编写的，所以如果没有安装skimage，则始终可以复制代码。
应用该函数后，只需将重塑数组的N个后轴之和(其中N是bucket_size元组的长度)。下面是一个新的bucket()函数：
from skimage.util import view_as_blocks
def bucket(x, bucket_size):
blocks = view_as_blocks(x, bucket_size)
tup = tuple(range(-len(bucket_size), 0))
return blocks.sum(axis=tup)然后，例如：
>>> x = np.array([1, 3, 7, 3, 2, 9])
>>> bucket(x, bucket_size=(2,))
array([ 4, 10, 11])
>>> x = np.array([[1, 2, 3, 4],
[2, 3, 7, 9],
[8, 9, 1, 0],
[0, 0, 3, 4]])
>>> bucket(x, bucket_size=(2, 2))
array([[ 8, 23],
[17, 8]])
>>> y = np.arange(6*6*6).reshape(6,6,6)
>>> bucket(y, bucket_size=(2, 2, 3))
array([[[ 264, 300],
[ 408, 444],
[ 552, 588]],
[[1128, 1164],
[1272, 1308],
[1416, 1452]],
[[1992, 2028],
[2136, 2172],
[2280, 2316]]])Stack Overflow用户
发布于 2016-03-28 20:02:47
要为ndarray案例的每个轴指定不同的装箱大小，可以在每个轴上迭代地使用np.add.reduceat，如下所示-
def bucket(x, bin_size):
ndims = x.ndim
out = x.copy()
for i in range(ndims):
idx = np.append(0,np.cumsum(bin_size[i][:-1]))
out = np.add.reduceat(out,idx,axis=i)
return out样本运行-
In [126]: x
Out[126]:
array([[165, 107, 133, 82, 199],
[ 35, 138, 91, 100, 207],
[ 75, 99, 40, 240, 208],
[166, 171, 78, 7, 141]])
In [127]: bucket(x, bin_size = [[2, 2],[3, 2]])
Out[127]:
array([[669, 588],
[629, 596]])
# [2, 2] are the bin sizes along axis=0
# [3, 2] are the bin sizes along axis=1
# array([[165, 107, 133, | 82, 199],
# [ 35, 138, 91, | 100, 207],
# -------------------------------------
# [ 75, 99, 40, | 240, 208],
# [166, 171, 78, | 7, 141]])
In [128]: x[:2,:3].sum()
Out[128]: 669
In [129]: x[:2,3:].sum()
Out[129]: 588
In [130]: x[2:,:3].sum()
Out[130]: 629
In [131]: x[2:,3:].sum()
Out[131]: 596页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/36269508
复制相关文章
相似问题
腾讯云开发者
