3

我正在寻找一种有效的方法来对更大的矩阵执行子矩阵运算，而无需诉诸 for 循环。

我目前正在执行操作（对于 3x3 窗口）：

newMatrix = numpy.zeros([numRows, numCols])
for i in range(1, numRows-1):
    for j in range(1, numCols-1):
        sub = matrix[i-1:i+2, j-1:j+2]
        newMatrix[i][j] = ... #do things with sub matrix

这比使用 numpy 矩阵的正常操作要慢得多。有什么 numpy 可以解决这个问题，还是希望太多？

编辑：具体示例

xWeight = numpy.array([[-1./8, 0, 1./8], [-2./8, 0, 2./8], [-1./8, 0, 1./8]])
yWeight = numpy.array([[1./8, 2./8, 1./8], [0, 0, 0], [-1./8, -2./8, -1./8]])

内循环：

        dz_dx = numpy.sum(xWeight * sub)
        dz_dy = numpy.sum(yWeight * sub)
4

4 回答 4

3

我在 numpy.lib.stride_tricks 中找到了解决方案

from numpy.lib.stride_tricks import as_strided

在方法中：

    expansion = stride.as_strided(matrix, shape = (numRows-2, numCols-2, 3, 3), strides = matrix.strides * 2)
    xWeight = numpy.array([[-1./8, 0, 1./8], [-2./8, 0, 2./8], [-1./8, 0, 1./8]])
    yWeight = numpy.array([[1./8, 2./8, 1./8], [0, 0, 0], [-1./8, -2./8, -1./8]])

    dx = xWeight * expansion
    dy = yWeight * expansion

    dx = numpy.sum(numpy.sum(dx, axis=3), axis=2)
    dy = numpy.sum(numpy.sum(dy, axis=3), axis=2)

可能有更好的解决方案，但这对于我所追求的而言足够简单和通用。这在 3.41 秒内通过了 1600x1200 矩阵，而使用 for 循环则为 188.47 秒。

（如果有的话，请随时提供更好的解决方案）

于 2013-08-16T15:05:55.500 回答
3

在我看来，您正在尝试进行简单的卷积？

def do(m):
    rows, cols = m.shape
    newMatrix = np.zeros_like(m)
    for i in range(1, rows-1):
        for j in range(1, cols-1):
            sub = matrix[i-1:i+2, j-1:j+2]
            newMatrix[i][j] = numpy.sum(xWeight * sub)
    return newMatrix[1:-1, 1:-1]
>>> res1 = do(matrix)
>>> res2 = scipy.signal.convolve2d(matrix, xWeight)[2:-2,2:-2]
>>> np.allclose(np.abs(res1), np.abs(res2))
True

没有详细说明这个标志，但希望这能让你走上正轨。

于 2013-08-16T15:25:52.147 回答
2

使用 scipy 代替图像处理操作：

http://scipy-lectures.github.io/advanced/image_processing/

于 2013-08-15T21:21:01.697 回答
1

看来您可以使用，请参阅文档中的np.ix_此示例：

a = np.arange(10).reshape(2, 5)
#array([[0, 1, 2, 3, 4],
#       [5, 6, 7, 8, 9]])

ixgrid = np.ix_([0,1], [2,4])

a[ixgrid]
#array([[2, 4],
#       [7, 9]])
于 2013-08-16T04:34:30.040 回答