python - 具有模式功能的 block 减少(下采样)3D阵列

Question

我想通过获取原始值的最频繁值(模式)来对 3d 数组进行下采样。经过一番研究，我在skimage 库中找到了block_reduce 函数。例如，如果我想取 block 的平均值，我可以很容易地做到:

from skimage.measure import block_reduce
image = np.arange(4*4*4).reshape(4, 4, 4)
new_image = block_reduce(image, block_size=(2,2,2), func=np.mean, cval=np.mean(grades))

在我的例子中，我想将 func 参数传递给模式函数。但是，numpy 没有模式功能。根据文档，传递的函数应该接受“axis”作为参数。我尝试了一些解决方法，例如编写自己的函数并结合 np.unique 和 np.argmax，以及传递 scipy.stats.mode作为功​​能。他们都失败了。

我写了一些嵌套的 for 循环来执行此操作，但是对于大型数组来说它太慢了。是否有捷径可寻？我不一定需要使用 sci-kit 图片库。

提前谢谢你。

Answer 1

让我们假设输入图像形状可以被 block_size 整除，即相应的形状尺寸可以被 block_size 的每个尺寸参数整除。

因此，作为预处理，我们需要从输入的 image 中提取 block ，就像这样 -

def blockify(image, block_size):
    shp = image.shape
    out_shp = [s//b for s,b in zip(shp, block_size)]
    reshape_shp = np.c_[out_shp,block_size].ravel()
    nC = np.prod(block_size)
    return image.reshape(reshape_shp).transpose(0,2,4,1,3,5).reshape(-1,nC)

接下来，对于我们的 mode 查找的特定情况，我们将使用 bincount2D_vectorized连同 argmax -

# https://stackoverflow.com/a/46256361/ @Divakar
def bincount2D_vectorized(a):    
    N = a.max()+1
    a_offs = a + np.arange(a.shape[0])[:,None]*N
    return np.bincount(a_offs.ravel(), minlength=a.shape[0]*N).reshape(-1,N)

out = bincount2D_vectorized(blockify(image, block_size=(2,2,2))).argmax(1)

或者，我们可以使用 n-dim mode -

out = mode(blockify(image, block_size=(2,2,2)), axis=1)[0]

最后，如果可除性的初始假设不成立，我们需要使用适当的填充值进行填充。同样，我们可以使用 np.pad，作为 blockify 方法的一部分。