python - 有效地计算边界自适应邻域平均值

Question

我有一张图像，其值范围从 0 到 1。我喜欢做的是简单的平均。
但是，更具体地说，对于图像边界处的单元格，我想计算位于图像范围内的邻域/内核部分的像素平均值。事实上，这归结为适应“平均公式”的分母，即您将总和除以的像素数。

我设法做到了这一点，如下所示 scipy.ndimage.generic_filter ，但这远非省时。

def fnc(buffer, count):
    n = float(sum(buffer < 2.0))
    sum = sum(buffer) - ((count - b) * 2.0)
    return (sum / n)

avg = scipy.ndimage.generic_filter(image, fnc, footprint = kernel, \
                                   mode = 'constant', cval = 2.0,   \
                                   extra_keywords = {'count': countkernel})

详情

• kernel = 方阵(用个表示圆)
• 用 2 填充而不是用零填充，从那时起我就无法正确区分填充区域的零和实际栅格的零
• countkernel = kernel 中的个数
• n = 位于 image 内的单元格数通过排除由值 2 标识的填充区域的单元格
• 更正 sum通过从原始邻域总和中减去(填充单元格数 * 2.0)

更新

1) 用 NaN 填充会使计算量增加大约 30%:

    def fnc(buffer):
        return (numpy.nansum(buffer) / numpy.sum([~numpy.isnan(buffer)]))

    avg = scipy.ndimage.generic_filter(image, fnc, footprint = kernel, \
                                       mode = 'constant', cval = float(numpy.nan)

2) 应用 Yves Daoust 提出的解决方案(已接受的答案)，无疑将处理时间降至最低:

    def fnc(buffer):
        return numpy.sum(buffer)

    sumbigimage = scipy.ndimage.generic_filter(image, fnc, \
                                               footprint = kernel, \
                                               mode = 'constant', \
                                               cval = 0.0)
    summask     = scipy.ndimage.generic_filter(mask, fnc, \
                                               footprint = kernel, \
                                               mode = 'constant', \
                                               cval = 0.0)
    avg = sumbigimage / summask

3) 基于 Yves 的 提示使用额外的二值图像，实际上是在应用掩码，我偶然发现了 masked arrays 的原理。 .因此，只需要处理一个数组，因为蒙版数组将图像和蒙版数组“混合”在一起。
关于掩码数组的一个小细节:不是像上次更新那样用 1 填充内部(原始图像的范围)并用 0 填充外部(边界)，您必须反之亦然。掩码数组中的 1 表示“无效”，0 表示“有效”。
此代码甚至比更新 2 中提供的代码快 50%):

    maskedimg = numpy.ma.masked_array(imgarray, mask = maskarray)

    def fnc(buffer):
        return numpy.mean(buffer)

    avg = scipy.ndimage.generic_filter(maskedimg, fnc, footprint = kernel, \
                                       mode = 'constant', cval = 0.0)

-->我必须在这里纠正自己!
我一定是在验证过程中弄错了，因为经过一些计算运行后，似乎 scipy.ndimage.<filters>无法处理掩码数组，因为在过滤操作期间不考虑掩码。
其他一些人也提到了这一点，比如 here和 here .

---

图像的力量...

• 灰色:待处理图像的范围
• 白色:填充区域(在我的例子中填充了 2.0)
• 红色阴影:内核的范围
  • 深红色:有效邻居
  • 浅红色:要忽略的部分邻域

---

如何更改这段相当实用的代码以提高计算性能？

非常感谢!

Answer 1

不确定这是否有帮助，因为我不精通 scipy:在灰色区域使用 1，在白色区域使用 0(源图像中也有 0)的辅助图像。然后通过简单的求和将滤镜应用于两张图像。

如果 scipy 提供具有内置求和功能的过滤器的专用版本，则有望实现加速。

完成后，您需要逐个像素地划分两个图像。