本文介绍一种基于 scipy.linalg.block_diag 的通用方法，将两个二维数组按指定重叠宽度进行对齐拼接，并对重叠区域元素取平均值；支持稀疏结构延展，兼顾内存效率与数值精度。
本文介绍一种基于 `scipy.linalg.block_diag` 的通用方法，将两个二维数组按指定重叠宽度进行对齐拼接，并对重叠区域元素取平均值；支持稀疏结构延展，兼顾内存效率与数值精度。
在科学计算与信号处理中，常需将多个局部数据块（如分块图像、时序片段或有限元子域）沿某一维度拼接，且要求在交界处平滑过渡——而非简单留零或硬截断。scipy.linalg.block_diag 虽能高效构建块对角矩阵，但默认不支持重叠融合。本文提供一种简洁、可扩展、数值稳健的实现方案，核心思想是：通过零填充构造同维数的“占位矩阵”，利用线性叠加与掩模归一化，自然导出重叠平均结果。
基本原理与实现步骤
给定两个形状均为 (n, n) 的方阵 A 和 B，设定重叠宽度为 overlap（整数，需满足 1 ≤ overlap
- 将 A “右下对齐”放置于大矩阵左上角区域；
- 将 B “左上对齐”放置于大矩阵右下角区域；
- 重叠区域（大小为 overlap × overlap）内，每个位置的值为 A 与 B 对应位置的算术平均。
该逻辑可通过两次 block_diag 构造、一次逐元素加法与一次条件归一化完成，无需显式循环或全量初始化大数组。
以下为完整可运行示例（适配任意方阵及重叠宽度）：
import numpy as np
from scipy.linalg import block_diag
def overlap_stitch(A, B, overlap):
"""
拼接两个同形方阵 A 和 B，使其在右下/左上方向重叠 'overlap' 行列，并对重叠区取平均。
Parameters
----------
A, B : ndarray, shape (n, n)
输入方阵，必须维度相同
overlap : int
重叠宽度（行列数），1 = n:
raise ValueError("A and B must be square and identical; overlap must satisfy 0 0 处执行 Sum/Denom，其余置 0
return np.where(Denom > 0, Sum / Denom, 0)
# 示例验证
A = np.linspace(1, 9, 9).reshape(3, 3)
B = np.linspace(10, 18, 9).reshape(3, 3)
result = overlap_stitch(A, B, overlap=2)
print(result)
输出：
[[ 1. 2. 3. 0. ] [ 4. 7.5 8.5 12. ] [ 7. 10.5 11.5 15. ] [ 0. 16. 17. 18. ]]
注意事项与进阶建议
- ✅ 内存友好性：本方法仅依赖 block_diag 与逐元素运算，天然兼容 scipy.sparse 矩阵。只需将 np.zeros 替换为 scipy.sparse.csr_matrix((pad_A, pad_A))，并确保 A, B 为稀疏格式，即可获得稀疏输出（需注意 np.where 不直接支持稀疏索引，此时推荐改用 sparse.diags 或手动构造 coo_matrix）。
- ⚠️ 维度限制：当前实现假设 A 和 B 为同形方阵。若需处理矩形阵列（如 (m,n) 与 (p,q)），需分别指定水平与垂直重叠量，并调整 block_diag 的填充策略。
- ? 加权融合扩展：若需非等权平均（如指数衰减权重），可将 Denom 替换为自定义权重矩阵 W，并将 Sum 改为加权和 wA * A_extended + wB * B_extended。
- ? 重叠定位灵活性：当前为“右下–左上”标准重叠；如需其他对齐方式（如中心对齐、顶部对齐），可通过 np.pad 配合切片替代 block_diag 实现更细粒度控制。
综上，该方法以清晰的线性代数视角重构了重叠拼接问题，在保持代码简洁性的同时，提供了良好的可读性、可维护性与工程扩展潜力。
