如何通过跨步技巧增强移动平均滤波器的实现？

使用跨步技巧实现高效移动平均滤波器

此查询探讨了如何使用跨步技巧来开发比上一篇文章中描述的基于卷积的方法。目标是为 scipy.ndimage.filters.convolve 相对较慢的任务过滤大型浮点数组。

最初的方法采用跨步技巧来生成一系列表示顶部、中间和底部的数组3x3 过滤器内核的行。然后对这些数组进行求和并平均以产生每个像素的滤波器输出。然而，提问者寻求一种更有效的方法，可以直接获取整个数组的内核元素的总和或单个值。

使用多维跨步技巧的改进方法

增强的解决方案涉及应用多维跨步技巧来创建原始数组的视图，其中每个元素代表所需大小的移动窗口。这允许对最后一个轴多次应用任意函数，有效地计算滑动窗口上的移动平均值或其他所需的统计度量。

代码示例

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

def rolling_window(array, window):
    """Multidimensional moving window function"""
    # Validate window dimensions
    if not hasattr(window, '__iter__'):
        return rolling_window_lastaxis(array, window)
    for i, win in enumerate(window):
        if win > 1:
            array = array.swapaxes(i, -1)
            array = rolling_window_lastaxis(array, win)
            array = array.swapaxes(-2, i)
    return array

filtsize = (3, 3)
array = np.arange(100).reshape((10, 10))
windowed_array = rolling_window(array, filtsize)
blurred_array = windowed_array.mean(axis=-1).mean(axis=-1)</code>

增强解决方案的优点

• 使用跨步技巧直接生成移动窗口，无需中间步骤。
• 适用于多维数组，允许用于沿多个轴进行高效过滤。
• 移动窗口操作的矢量化，从而显着减少计算时间。

局限性

尽管如此尽管有优点，但值得注意的是，对多维移动窗口使用跨步技巧可能会导致内存使用量增加。因此，应仔细考虑可用资源和输入数组的大小。

与 scipy.ndimage 的比较

虽然步幅技巧提供了灵活性和矢量化优势、 scipy.ndimage 函数通常更节省内存，并且针对多维图像处理任务进行了优化。对于大型数组，建议使用 scipy.ndimage.uniform_filter 作为应用移动平均滤波器的更快、更稳健的选项。

以上是如何通过跨步技巧增强移动平均滤波器的实现？的详细内容。更多信息请关注PHP中文网其他相关文章！