Strides가 이미지 처리에서 이동 평균 필터의 효율성을 향상시킬 수 있습니까?

효율적인 이동 평균 필터를 위한 스트라이드 사용

최근 스트라이드 기반 접근 방식은 이동 평균 필터 구현의 효율성으로 주목을 받았습니다. 이러한 맥락에서 우리는 전통적인 컨볼루션 기반 방법을 넘어 이러한 필터의 성능을 향상시키기 위해 스트라이드를 활용할 수 있는 방법을 탐구합니다. 특히 각 초점 픽셀에 대해 주변 9픽셀을 고려하는 8개 이웃 연결 이동 평균 필터를 구현하는 데 중점을 둡니다.

스트라이드를 사용하면 의 맨 위 행에 해당하는 원본 배열의 뷰를 만들 수 있습니다. 필터 커널. 수직 축을 따라 롤 작업을 적용하면 커널의 중간 행을 가져와 처음 생성된 뷰에 추가할 수 있습니다. 이 프로세스를 반복하여 커널의 맨 아래 행을 얻은 후 이 행의 합을 필터 크기로 나누어 각 픽셀의 평균을 계산합니다.

이 접근 방식을 설명하려면 다음 구현을 고려하세요.

import numpy, scipy

filtsize = 3
a = numpy.arrange(100).reshape((10, 10))
b = numpy.lib.stride_tricks.as_strided(a, shape=(a.size, filtsize), strides=(a.itemsize, a.itemsize))
for i in range(0, filtsize - 1):
    if i > 0:
        b += numpy.roll(b, -(pow(filtsize, 2) + 1) * i, 0)
filtered = (numpy.sum(b, 1) / pow(filtsize, 2)).reshape((a.shape[0], a.shape[1]))

좀 더 일반적으로 말하면, 지정된 차원에 따라 롤링 윈도우 연산을 수행하는 함수를 정의하면 다차원 배열에서도 이동 평균 필터를 효율적으로 구현할 수 있습니다. 그러나 스트라이드 기반 접근 방식은 특정 경우에 이점을 제공하지만 복잡한 다차원 필터링 작업의 경우 scipy.ndimage 모듈에서 제공하는 것과 같은 특수 기능이 여전히 우수한 성능을 제공할 수 있다는 점에 유의하는 것이 중요합니다.

위 내용은 Strides가 이미지 처리에서 이동 평균 필터의 효율성을 향상시킬 수 있습니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!