Python numpy阵列中子矩阵的矢量化提取

我的目标是实现一个中值滤波器，这是一个函数，它用周围像素的中值替换（大部分）2d阵列中的每个像素。它可以用于图像去噪

我的实现从原始矩阵中提取子矩阵，其中包含像素本身及其邻域。这个提取目前是使用for循环完成的，正如您所想象的，for循环占用了大约95%的执行时间

以下是我当前的实现：

def中值模糊（img，fsize=3）：
img_intermediate=np.zero（（img.shape[0]+2，img.shape[1]+2），np.uint8）#第一个中间img，用于填充原始图像
img_intermediate[1:img.shape[0]+1，1:img.shape[1]+1]=img
img_result=np.empty（（*img.shape，fsize，fsize），np.uint8）将包含结果，首先接收内核子矩阵
#从图像中提取子矩阵
对于范围内的i（img.shape[0]）：
对于范围内的j（img.形状[1]）：
img_结果[i，j]=img_中间[i:i+fsize，j:j+fsize]
img_结果=img_结果。重塑（*img.shape，fsize**2）#重塑结果矩阵
img_结果=np。中位数（img_结果，轴=2）#一次性计算中位数
返回img_result.astype（'uint8'）

如何使用矢量化操作提取这些子矩阵？

作为奖励，如果有计算机视觉经验的人正在读这篇文章：除了将中值滤波器应用于中间零填充矩阵之外，还有更好的实现中值滤波器的方法吗

---

非常感谢。

这是一个矢量化解决方案。但是，通过注意图像阵列的内存顺序，您可以想出一个更快的解决方案：

from numpy.lib.stride_tricks import as_strided

img_padded = np.pad(img, 1, mode='constant')
sub_shape = (fsize, fsize)
view_shape = tuple(np.subtract(img_padded.shape, sub_shape) + 1) + sub_shape
sub_img = as_strided(img_padded, view_shape, img_padded.strides * 2)
sub_img = sub_img.reshape(img.shape + (fsize**2,))
result = np.median(sub_img, axis=2).astype(int)

首先使用

pad

功能进行pad，然后使用

作为步幅

获得子矩阵，最后将

中值

应用于步幅

更新：使用@Divakar在评论中建议的

查看窗口

：

from skimage.util.shape import view_as_windows

img_padded = np.pad(img, 1, mode='constant')
sub_shape = (fsize, fsize)
view_shape = view_as_windows(img_padded, sub_shape, 1)
sub_img = view_shape.reshape(img.shape + (fsize**2,))
result = np.median(sub_img, axis=2).astype(int)

view\u as\u windows

还提供了类似于步幅的子矩阵

示例图像和输出：

img: 
[[ 1  2  3  4  5  6]
 [ 7  8  9 10 11 12]
 [13 14 15 16 17 18]
 [19 20 21 22 23 24]]

median_filtered: 
[[ 0  2  3  4  5  0]
 [ 2  8  9 10 11  6]
 [ 8 14 15 16 17 12]
 [ 0 14 15 16 17  0]]

---

您的用例包含在@edoput中。它包含在几个库（scipy、scikit image、opencv…）中，但我的目标是以最高效的方式实现它。使用

view-as\u-windows

：然后使用

np.median

？@Divakar感谢您的提及，我不知道这个函数！它不是唯一的numpy解决方案，但肯定会满足我的要求。

view\u as\u windows

是一个独立的函数代码库。所以，你可以从源头上找到它。太美了！这使我现有的解决方案快了约7倍！你能详细说明一下可能的记忆顺序增益吗？很高兴这有帮助。如果您知道自己的数据类型，那么可能有一种更快的方法可以使用numba或stripped循环来实现这一点。如果您的数组是以

C连续的方式保存的（意思是先保存行），您可能会从中受益<如果您的数组不是
C-连续的
，则code>view\u as\u窗口将创建一个新数组。我希望在你大踏步的时候也能做到，但我不确定。一般来说，任何比这更快的操作都可能需要进入
C-continuous/F-continuous
内存分配并了解您的数据类型。