Numpy 如何更有效地实现关联？

这里的目标是使用numpy实现图像的卷积运算

我试图用填充选项实现卷积函数。但是，我的代码使用两个

for循环

遍历行和列。因此，处理大型图像文件的速度非常慢

def correlate(I, h, pad):
    top, bottom, left, right = pad
    tmp = zero_padding(I, top, bottom, left, right)

    print("padded shape:", tmp.shape)
    max_dim = max(len(tmp.shape), len(h.shape))
    while len(tmp.shape) < 3:
        tmp = tmp[..., np.newaxis]
    while len(h.shape) < 3:
        h = h[..., np.newaxis]

    if h.shape[-1] < I.shape[-1]:
        if (I.shape[-1] == 3) & (h.shape[-1] == 1):
                h = np.dstack([h,h,h])
        else:
            raise ValueError('dimension mismatch')  

    new_hight = tmp.shape[0] - h.shape[0] + 1
    new_width = tmp.shape[1] - h.shape[1] + 1
    result = np.ones((new_hight, new_width, tmp.shape[-1]))

    for ver in range(new_hight):
        for hor in range(new_width):
            block = get_block(tmp, h, ver, hor)
            mix = np.sum(np.sum(block*h, axis=0), axis=0)
            result[ver, hor] = mix
    return result

def关联（I、h、pad）：
上、下、左、右=衬垫
tmp=零填充（I、顶部、底部、左侧、右侧）
打印（“填充形状：”，tmp.shape）
最大尺寸=最大（透镜（tmp形状）、透镜（h形状））
而透镜（tmp形状）<3：
tmp=tmp[…，np.newaxis]
而透镜（h形）<3：
h=h[…，np.newaxis]
如果h形[-1]

---

处理我的（5000、4000、3）个图像花了很长时间。

自己实现这类功能很有教育意义。但是你学到的主要事情是，（a）覆盖边缘情况和（b）快速完成非常困难

您可能需要尝试中的相关函数和卷积函数。例如：

import numpy as np
from scipy.signal import correlate, convolve

a = np.random.random((100, 100, 3))
b = np.random.random((100, 100, 3))

corr = correlate(a, b, mode='same')
conv = convolve(a, b, mode='same')

---

您可以传递一个

方法

参数在频域中执行此操作，或者还有

fftconvolve（）

（这是

method='fft'

使用的）。您可能希望两个选项都计时，因为根据您的数据，其中任何一个都可能更快。

有很多库具有高效的实现，不要尝试用Python实现自己的库，它永远不会快。@CrisLuengo嗯，必须有人编写这些库。是的，他们用C或C++或FORTRAN编写它们。