我有一组二维数组,我必须计算它们的二维相关性。我一直在尝试许多不同的事情(甚至用 Fortran 进行编程),但我认为最快的方法是使用 FFT 进行计算。
基于我的测试和 this answer我可以使用scipy.signal.fftconvolve
如果我尝试重现 scipy.signal.correlate2d
的输出,它工作得很好。与 boundary='fill'
。所以基本上是这样的
scipy.signal.fftconvolve(a, a[::-1, ::-1], mode='same')
等于这个(除了轻微的偏移)
scipy.signal.correlate2d(a, a, boundary='fill', mode='same')
问题是数组应该以包装模式计算,因为它们是二维周期性数组(即 boundary='wrap'
)。因此,如果我尝试重现输出
scipy.signal.correlate2d(a, a, boundary='wrap', mode='same')
我不能,或者至少我不知道该怎么做。 (我想使用 FFT 方法,因为它更快。)
显然 Scipy 曾经有 something like that这可能已经成功了,但显然它被遗忘了,我找不到它,所以我认为 Scipy 可能已经放弃了对它的支持。
无论如何,有没有办法使用scipy
或numpy
的 FFT 例程来计算周期数组的相关性?
最佳答案
包裹相关性可以使用FFT来实现。下面是一些演示如何操作的代码:
In [276]: import numpy as np
In [277]: from scipy.signal import correlate2d
创建一个随机数组a
来使用:
In [278]: a = np.random.randn(200, 200)
使用scipy.signal.correlate2d
计算二维相关性:
In [279]: c = correlate2d(a, a, boundary='wrap', mode='same')
现在使用 numpy.fft
中的 2D FFT 函数计算相同的结果。 (此代码假设 a
是正方形。)
In [280]: from numpy.fft import fft2, ifft2
In [281]: fc = np.roll(ifft2(fft2(a).conj()*fft2(a)).real, (a.shape[0] - 1)//2, axis=(0,1))
验证两种方法是否给出相同的结果:
In [282]: np.allclose(c, fc)
Out[282]: True
正如您所指出的,使用 FFT 速度快得多。对于此示例,速度大约快 1000 倍:
In [283]: %timeit c = correlate2d(a, a, boundary='wrap', mode='same')
1 loop, best of 3: 3.2 s per loop
In [284]: %timeit fc = np.roll(ifft2(fft2(a).conj()*fft2(a)).real, (a.shape[0] - 1)//2, axis=(0,1))
100 loops, best of 3: 3.19 ms per loop
其中包括 fft2(a)
的重复计算。当然,fft2(a)
应该只计算一次:
In [285]: fta = fft2(a)
In [286]: fc = np.roll(ifft2(fta.conj()*fta).real, (a.shape[0] - 1)//2, axis=(0,1))
关于python - 使用 fftconvolve 计算包裹的二维相关性,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43504899/