python - 给定大小为 m*n 的输入图像 X， block 大小为 T，如何生成大小为 T*T 的 k 个随机非重叠 block ？

Question

阅读论文时Local Shannon entropy measure with statistical tests for image randomness ，我想出了以下问题:

Given an input image X of size mn, a block size of T, generate k random non-overlapping blocks of size TT.

我想出了用左上坐标表示每个 block 的想法。然后，我使用以下代码生成那些非重叠 block 。虽然我在这段代码中使用了一些随机性，但结果并不是随机的，也没有涵盖所有可能的情况。是否有任何有效的算法可以做到这一点？甚至可以使用用于进一步搜索的关键字。

m, n = Y.shape
T = 44
k = 30
possible_blocks_vert = m // T
possible_blocks_horiz = n // T
possible_blocks = possible_blocks_vert * possible_blocks_horiz
if possible_blocks < k:
    assert False
else:
    last_possible_starting = (divmod(m, T)[1], divmod(n, T)[1])
    random_y0, random_x0 = np.random.randint(last_possible_starting[0]), np.random.randint(last_possible_starting[1])
    random_xs = [random_x0+i*T for i in range(possible_blocks_horiz)]
    random_ys = [random_y0+i*T for i in range(possible_blocks_vert)]
    
    i = 0
    Xs = []
    Ys = []
    for x in np.random.permutation(random_xs):
        for y in np.random.permutation(random_ys):
            Xs.append(x)
            Ys.append(y)
            i += 1
            if (i >= k):
                break
        if (i >= k):
            break
Xs, Ys

此实现至少有两个缺点:

• 选择首先选择所有第一个随机行，然后选择所有第二个，依此类推，直到所有 k 个 block 都被选择
• 选择并未分布在所有可能的地方。

注意。该论文提出了一种称为局部香农熵 LSE 的新度量，它生成 k 个随机 block 并计算它们的平均香农熵作为 LSE。

Answer 1

你可以试试 jittered sampling (图 7.18c)。也就是说，将图像分成(至少)k 个单元格，并将每个 block 放入其中某处随机选取的单元格中。

为简单起见，我们假设图像为 256x256 像素，10 个 block 中的每个 block 为 32x32 像素。将图像拆分为 4x4 (ceil(sqrt(k))) 单元格的规则网格，每个单元格大小为 64x64，从 16 个单元格中选择 10 个，将 32x32 block 随机放入每个 64x64 单元格中。