Skuteczne obliczanie średniej sąsiedztwa dostosowanej do granic
Mam obraz o wartościach od 0 do 1. To, co lubię robić, to proste uśrednianie.
Ale dokładniej, dla komórki na granicy obrazu chciałbym obliczyć średnią pikseli dla tej części sąsiedztwa / jądra, która leży w zasięgu obrazu. W rzeczywistości sprowadza się to do dostosowania mianownika „średniej formuły”, liczby pikseli podzielonych przez sumę.
Udało mi się to zrobić, jak pokazano poniżejscipy.ndimage.generic_filter
, ale to jest dalekie od czasu.
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})
Detale
kernel
= kwadratowa tablica (okrąg reprezentowany przez jedynki)Dopełnianie zerami, a nie zerami, od tego czasu nie mogłem poprawnie oddzielić zer obszaru wypełnionego i zer rzeczywistego rastracountkernel
= liczba tych wkernel
n
= liczba komórek, które leżą wewnątrzimage
wykluczając komórki obszaru wypełnionego identyfikowane przez wartości 2Poprawsum
odejmując (liczbę wyściełanych komórek * 2,0) od sumy początkowej sąsiedztwaAktualizacje
1) Wypełnienie NaNs zwiększa obliczenia o około 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) Zastosowanie rozwiązania zaproponowanego przezYves Daoust (zaakceptowana odpowiedź), zdecydowanie skraca czas przetwarzania do minimum:
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) W oparciu oYves ' wskazówka, aby użyć dodatkowego obrazu binarnego, który w rzeczywistości stosuje maskę, natknąłem się na zasadęzamaskowane tablice. Tylko jedna tablica musi być przetworzona, ponieważ zamaskowana tablica „łączy” tablicę obrazu i maski razem.
Niewielki szczegół dotyczący tablicy maski: zamiast wypełniać wewnętrzną część (zakres oryginalnego obrazu) za pomocą 1 i wypełniając zewnętrzną część (obramowanie) za pomocą 0, tak jak w poprzedniej aktualizacji, musisz zrobić odwrotnie. 1 w maskowanej tablicy oznacza „nieprawidłowy”, 0 oznacza „ważny”.
Ten kod jest nawet o 50% szybszy niż kod podany w aktualizacji 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)
-> Muszę się poprawić tutaj!
Muszę się mylić podczas walidacji, ponieważ po kilku obliczeniach wydawało się, że takscipy.ndimage.<filters>
nie może obsłużyć maskowanych_rar w tym sensie, że podczas operacji filtrowania maska nie jest brana pod uwagę.
Mówili o tym również inni ludzietutaj itutaj.
Moc obrazu ...
szary: zakres przetwarzanego obrazubiały: obszar wyściełany (w moim przypadku wypełniony 2.0)czerwone odcienie: zakres jądraciemnoczerwony: skuteczny sąsiadjasnoczerwony: część sąsiedztwa należy zignorowaćJak można zmienić ten raczej pragmatyczny fragment kodu, aby poprawić wydajność obliczeń?
Z góry bardzo dziękuję!