Skip to main content
 首页 » 编程设计

python之窗口/滑动均值过滤器考虑边界处的有效成员

2024年11月24日12qq号

是否有与 scipy.ndimage 的 uniform_filter 或 convolve 类似的功能(与 Numpy Two-Dimensional Moving Average 类似的问题),但仅使用输入数组中的值计算平均值(忽略角和边缘单元格的填充值计数)。一个类似的函数,其中填充值可以设置为 np.nan,结果平均值计算为 np.nanmean?

我的初始代码遍历数组以获取邻居并计算结果均值,但此方法花费的时间太长。我尝试了 uniform_filter 或卷积,但结果不是我需要的,因为生成的角和边缘值太低(由于用 0 填充边缘)。

例如,如果我有数组:

a = np.ones((4,5)) 

从移动的 3x3 数组计算平均值也应该导致:

array([[1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.]]) 

uniform_filter 给出:

uniform_filter(a, size=3, mode='constant', cval=0.0) 
 
array([[0.44444444, 0.66666667, 0.66666667, 0.66666667, 0.44444444], 
       [0.66666667, 1.        , 1.        , 1.        , 0.66666667], 
       [0.66666667, 1.        , 1.        , 1.        , 0.66666667], 
       [0.44444444, 0.66666667, 0.66666667, 0.66666667, 0.44444444]]) 

我尝试设置 cval=np.nan,但单元格边缘的结果值为 nan。

对于另一个数组,b

array([[1., 0., 0.], 
       [0., 0., 0.], 
       [0., 0., 0.]]) 

我想获得一个数组,使用 3x3 平均窗口,作为

array([[0.25      , 0.16666667, 0.        ], 
       [0.16666667, 0.11111111, 0.        ], 
       [0.        , 0.        , 0.        ]]) 

值的计算方式如下所示 illustration

请您参考如下方法:

获取窗口总和并除以每个窗口中的有效成员。我们可以使用 scipy.signal.convolve2d得到两者,因此有这样的解决方案 -

from scipy.signal import convolve2d 
 
def windowed_average(a, kernel_size, mode='same'): 
    k = np.ones((kernel_size,kernel_size),dtype=int) 
    window_sum = convolve2d(a,k,mode) 
    window_count = convolve2d(np.ones(a.shape, dtype=bool),k,mode) 
    return window_sum/window_count 

备选 #1

或者,如果您想使用 uniform_filter为了获得加窗求和,我们可以这样做,这样也可能更有效,就像这样 -

from scipy.ndimage import uniform_filter 
 
n = kernel_size**2 
window_sum = uniform_filter(a, kernel_size, mode='constant', cval=0.0)*n 

样本运行-

In [54]: a 
Out[54]:  
array([[1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.]]) 
 
In [55]: windowed_average(a, kernel_size=3) 
Out[55]:  
array([[1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.], 
       [1., 1., 1., 1., 1.]]) 
 
In [56]: b 
Out[56]:  
array([[1., 0., 0.], 
       [0., 0., 0.], 
       [0., 0., 0.]]) 
 
In [57]: windowed_average(b, kernel_size=3) 
Out[57]:  
array([[0.25      , 0.16666667, 0.        ], 
       [0.16666667, 0.11111111, 0.        ], 
       [0.        , 0.        , 0.        ]])