Python 带模式功能的块缩减（下采样）3D阵列

我想通过获取原始值中最频繁的值（模式），对3d数组进行下采样。经过一些研究，我在

skimage

库中发现了

block\u reduce

函数。例如，如果我想取块的平均值，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，我想把func参数传递给mode函数。但是，numpy没有模式函数。根据文档，传递的函数应该接受“axis”作为参数。我尝试了一些变通方法，比如编写自己的函数，并将

np.unique

和

np.argmax

组合，以及将

scipy.stats.mode

作为函数传递。他们都失败了

我编写了一些嵌套for循环来实现这一点，但对于大型数组来说，它的速度太慢了。有没有一个简单的方法可以做到这一点？我不一定需要使用sci工具包图像库

---

提前谢谢。

让我们先假设输入图像形状可被

块大小

整除，即相应的形状尺寸可被

块大小

的每个大小参数整除

因此，作为预处理，我们需要从输入的

图像

中去掉块，如下所示-

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

模式

查找的特定情况，我们将使用aglongWith

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-

---

最后，如果整除性的初始假设不成立，我们需要使用适当的pad值进行填充。同样，我们可以使用

np.pad

，作为

blockify

方法的一部分。

非常感谢，它工作得非常好。我不完全理解行

如何返回image.reformate（reformate_shp）.transpose（0,2,4,1,3,5）.reformate（-1，nC）

工作。在转置函数中，这些数字是从哪里来的？@user2847666我们基本上是在重塑，将每个轴分成两个，然后转置轴，将块放入相邻的内存位置。这应该有助于理解这些概念-。

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