Python numpy/scipy，循环子阵列

最近我对8x8块的图像数据进行了大量处理。 标准方法是使用嵌套for循环来提取块，例如

for y in xrange(0,height,8):
    for x in xrange(0,width,8):
        d = image_data[y:y+8,x:x+8]
        # further processing on the 8x8-block

我不禁想知道，是否有一种方法可以将此操作矢量化，或者使用numpy/scipy的另一种方法可以替代？某种迭代器

A MWE1：

#/usr/bin/env python
导入系统
将numpy作为np导入
从scipy.fftpack导入dct、idct
导入scipy.misc
将matplotlib.pyplot作为plt导入
def dctdemo（系数=1）：
unzig=np.array([
0,  1,  8, 16,  9,  2,  3, 10,
17, 24, 32, 25, 18, 11,  4, 5,
12, 19, 26, 33, 40, 48, 41, 34,
27, 20, 13,  6,  7, 14, 21, 28,
35, 42, 49, 56, 57, 50, 43, 36,
29, 22, 15, 23, 30, 37, 44, 51,
58, 59, 52, 45, 38, 31, 39, 46,
53, 60, 61, 54, 47, 55, 62, 63])
lena=scipy.misc.lena（）
宽度、高度=lena.shape
#重建
rec=np.zeros（lena.shape，dtype=np.int64）
#这部分可以矢量化吗？
对于X范围内的y（0，高度，8）：
对于x范围内的x（0，宽度，8）：
d=lena[y:y+8，x:x+8].aType（np.float）
D=dct（dct（D.T，norm='ortho'）.T，norm='ortho'）。重塑（64）
Q=np.zero（64，dtype=np.float）
Q[unzig[：coefs]]=D[unzig[：coefs]]
Q=Q.重塑（[8,8]）
q=np.round（idct（idct（q.T，norm='ortho'）.T，norm='ortho'））
rec[y:y+8，x:x+8]=q.astype（np.int64）
plt.imshow（rec，cmap='gray'）
plt.show（）
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
尝试：
c=int（sys.argv[1]）
除值错误外：
sys.exit（）
其他：
如果1在Scikit图像中有一个函数
view\u as\u windows




不幸的是，我将不得不在另一时间完成此答案，但您可以通过以下方式获取窗体中的窗口，并将其传递到
dct
：

from skimage.util import view_as_windows
# your code...
d = view_as_windows(lena.astype(np.float), (8, 8)).reshape(-1, 8, 8)
dct(d, axis=0)

scikit学习特征提取例程中有一个名为
extract_patches
的函数。您需要指定一个
补丁大小
和一个
提取步骤
。结果将是图像上的一个视图作为面片，面片可能重叠。生成的数组是4D，前两个索引面片，后两个索引面片的像素。试试这个

from sklearn.feature_extraction.image import extract_patches
patches = extract_patches(image_data, patch_size=(8, 8), extraction_step=(4, 4))

这将提供重叠一半的（8，8）大小的面片

请注意，到目前为止，这不会使用额外的内存，因为它是使用跨步技巧实现的。可以通过重塑形状强制复制

patches = patches.reshape(-1, 8, 8)

这基本上会产生一个补丁列表。
目前正在尝试修改它，以便我建议的功能与您的代码配合使用……啊，scikit！浏览了numpy和scipy的API，我找不到任何合适的（也许我没有仔细查看…）
patches = patches.reshape(-1, 8, 8)