高階跨步如何提高移動平均濾波器的效率？

使用高階跨步實現更有效率的移動平均濾波器

簡介：

簡介：

簡介：

簡介：

簡介：

<code class="python">import numpy as np

filtsize = 3
a = numpy.arange(100).reshape((10,10))
b = np.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]))</code>

簡介：

簡介：
簡介：
介紹計算移動大型資料集上的平均濾波器的計算成本可能很高。雖然使用卷積濾波器的標準實作可能很慢，但高階跨步技術提供了更有效的解決方案。
• 建議的技術：

建議的技術涉及使用 NumPy 的 stride_tricks.as_strided( ) 函數建立一個與原始陣列上的移動視窗相對應的陣列。透過垂直和水平滾動該數組，可以有效地對內核值求和以計算每個像素的平均值。

實現：

• 以下代碼演示了以下代碼的實現該技術：
• 優點：

與傳統卷積濾波器相比，此技術具有多個優點：

記憶體效率:

as_strided 陣列是原始陣列的視圖，因此不需要將整個資料集複製到新數組中。
• 計算效率：
滾動和求和操作可以使用 NumPy 的最佳化函數可以有效地執行。

可自訂的核心大小和形狀： filtsize 參數可輕鬆調整濾鏡大小和形狀。 限制：邊緣處理：所提出的技術無法正確處理邊緣像素。可能需要後處理步驟來解決此問題。 多維數組：此技術最適合一維數組。對於多維數組，記憶體使用量和計算成本可能會變得非常高。 替代方法：Numba JIT 編譯：Just-in-時間編譯可以進一步提升此技術的效能。 SciPy 的 ndimage 模組：對於多維數組，SciPy 的uniform_filter()函數提供了更有效率、更全面的解決方案。

以上是高階跨步如何提高移動平均濾波器的效率？的詳細內容。更多資訊請關注PHP中文網其他相關文章！