У меня есть изображение со значениями от 0 до 1. Мне нравится делать простое усреднение.
Но, более конкретно, для ячейки на границе изображения я бы хотел вычислить среднее значение пикселей для той части окрестности / ядра, которая находится в пределах изображения. Фактически это сводится к тому, чтобы адаптировать знаменатель «средней формулы», к числу пикселей, на которое вы делите сумму.

Мне удалось сделать это, как показано ниже сscipy.ndimage.generic_filter, но это далеко не по времени.

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})

Details

kernel = square array (circle represented by ones) Padding with 2's and not by zeroes since then I could not properly separate zeroes of the padded area and zeroes of the actual raster countkernel = number of ones in the kernel n = number of cells that lie within image by excluding the cells of the padded area identified by values of 2 Correct the sum by subtracting (number of padded cells * 2.0) from the original neighbourhood total sum

Update(s)

1) Заполнение NaN увеличивает расчет примерно на 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) Применение решения, предложенногоYves Daoust (принятый ответ), безусловно, сокращает время обработки до минимума:

    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) Опираясь наYves' Совет использовать дополнительный двоичный образ, который на самом деле применяется маска, я наткнулся на принципмаскированные массивы, Таким образом, только один массив должен быть обработан, потому что маскированный массив "blends" изображение и маска вместе.
Небольшая деталь о массиве маски: вместо заполнения внутренней части (экстента исходного изображения) 1 и заполнения внешней части (границы) 0, как это было сделано в предыдущем обновлении, вы должны сделать наоборот. 1 в замаскированном массиве означает «неверный», 0 означает «действительный».
Этот код даже на 50% быстрее, чем код, представленный в обновлении 2):

    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)

--> I must correct myself here!
Я должен ошибаться во время проверки, так как после некоторых вычислений казалось, чтоscipy.ndimage.<filters> не может обрабатывать masked_arrays в том смысле, что во время операции фильтрации маска не учитывается.
Некоторые другие люди упоминали это тоже, например,Вот а такжеВот.

Сила изображения ...

grey: extent of image to be processed white: padded area (in my case filled with 2.0's) red shades: extent of kernel dark red: effective neighbourhoud light red: part of neighbourhood to be ignored

Как можно изменить этот довольно прагматичный кусок кода для повышения производительности вычислений?

Спасибо заранее!