Wie implementiert man mithilfe von Strides einen effizienten gleitenden Durchschnittsfilter?

Verwendung von Schritten für einen effizienten gleitenden Durchschnittsfilter

In einer früheren Diskussion wurden die Vorteile der Verwendung von Schritten für rechnerisch effiziente gleitende Durchschnittsfilter untersucht . Hier gehen wir näher auf dieses Thema ein und stellen eine detaillierte Implementierung bereit.

Effiziente Filterung des gleitenden Durchschnitts mit Schritten

Um einen Filter für den gleitenden Durchschnitt mithilfe von Schritten effizient zu berechnen, können Sie dies tun Nutzen Sie die Funktion as_strided() von numpy.lib.stride_tricks. Mit dieser Funktion können Sie eine Ansicht eines Arrays erstellen, die ein sich bewegendes Fenster mit bestimmten Abmessungen nachahmt.

Beachten Sie den folgenden Code:

<code class="python">filtsize = 3
a = numpy.arange(100).reshape((10,10))
b = numpy.lib.stride_tricks.as_strided(a, shape=(a.size,filtsize), strides=(a.itemsize, a.itemsize))</code>

Hier erstellt die Funktion as_strided() eine Ansicht eines Arrays als eine Reihe überlappender Fenster, jedes mit der Form (100 - Filmgröße 1, Filmgröße).

Rollen des Fensters

Zum Verschieben des Fensters , können Sie die Funktion numpy.roll() verwenden:

<code class="python">for i in range(0, filtsize-1):
    if i > 0:
        b += numpy.roll(b, -(pow(filtsize,2)+1)*i, 0)</code>

Dadurch wird das Fenster iterativ um Spalten in Filtgröße verschoben und so effektiv die Bewegung des Fensters über das ursprüngliche Array simuliert.

Berechnung des Durchschnitts

Um den Durchschnitt zu berechnen, können Sie einfach die Werte in jeder Zeile summieren und durch die Anzahl der Elemente im Filter dividieren:

<code class="python">filtered = (numpy.sum(b, 1) / pow(filtsize,2)).reshape((a.shape[0],a.shape[1]))</code>

Das ergibt der gleitende Durchschnitt für jedes Pixel im a-Array.

Mehrdimensionale gleitende Durchschnitte

Der obige Ansatz kann erweitert werden, um mehrdimensionale gleitende Durchschnitte mithilfe der bereitgestellten Funktion „rolling_window()“ zu verarbeiten von numpy:

<code class="python">def rolling_window(a, window):
    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
    strides = a.strides + (a.strides[-1],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)</code>

Mit dieser Funktion können Sie bewegliche Fensteransichten entlang beliebiger Achsen eines Arrays erstellen.

Speicheroptimierung

Das ist wichtig Beachten Sie, dass Stride-Tricks zwar effizient sein können, beim Umgang mit mehrdimensionalen Arrays jedoch auch zu Speicheraufwand führen können. Die Funktion scipy.ndimage.uniform_filter() bietet einen alternativen Ansatz, der mehrdimensionale gleitende Durchschnitte effizient und ohne den mit Stride-Tricks verbundenen Speicheraufwand verarbeitet.

Das obige ist der detaillierte Inhalt vonWie implementiert man mithilfe von Strides einen effizienten gleitenden Durchschnittsfilter?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!