图像Python的滚动统计

我需要根据用户定义的2D窗口块计算图像的局部统计信息。统计数据包括：均值、方差、偏斜、峰度。我需要遍历图像的每个像素，根据窗口大小找到相邻像素

我使用的代码是：

scipy.ndimage.generic_filter(array,numpy.var,size=3)

但是通过这种方式的性能非常低。我甚至尝试了跨步numpy，但也没有显示出太大的差异（无法计算偏度和峰度）。我对Cython不熟悉，所以我没有冒险去做那个选择。

---

那么，没有Cython还有其他方法可以实现这一点吗？

问题是

通用过滤器（）

不能假设过滤器沿

x

或

y

轴可分离。因此，它必须作为一个真正的2D过滤器而不是一系列的两个1D过滤器运行，因此运行时会慢得多

平均过滤器和（我认为）等效于

统一过滤器（）

，如果您阅读文档，它是作为一系列两个1d统一过滤器实现的

我通过这个代码块比较了定时：

import numpy as np
from scipy import ndimage as ndi
from scipy import misc
baboonfile = '/Users/curt/Downloads/BaboonRGB.jpg'  #local download of http://read.pudn.com/downloads169/sourcecode/graph/texture_mapping/776733/Picture/BaboonRGB__.jpg
im = misc.imread(baboonfile)

meanfilt2D = ndi.generic_filter(im, np.mean, size=[3, 3, 1])
%timeit meanfilt2D = ndi.generic_filter(im, np.mean, size=[3, 3, 1])
print meanfilt2D.shape

meanfiltU = ndi.uniform_filter(im, size=[3, 3, 1])
%timeit meanfiltU = ndi.uniform_filter(im, size=[3, 3, 1])
print meanfiltU.shape

该块的输出为：

1 loops, best of 3: 5.22 s per loop
(512, 512, 3)
100 loops, best of 3: 11.8 ms per loop
(512, 512, 3)

因此，真正的二维

generic_filter（）

对于一个小图像需要5秒钟，而双通道1D

uniform_filter（）

只需要几毫秒。（注意：差分图像meanfilt2D meanfiltU不是相同的零，但最大元素为2；我认为差异是由舍入和用于

im

的不精确数据类型（

uint8

）造成的）

---

对于方差和其他过滤器，您应该看到哪个答案是高度相关的问题。

原因

uniform\u filter（）

比

generic\u filter（）

要快得多，这是由于Python——对于

generic\u filter（）

，每个像素都会调用Python，而对于

uniform\u filter（）

，整个图像在本机代码中处理。（我发现OpenCV的

boxFilter（）

甚至比

uniform\u filter（）

还要快，请参见“窗口差异”问题。）

在本答案的其余部分中，我将展示如何使用

统一过滤器（）

进行倾斜计算，这将大大加快基于

通用过滤器（）

的版本，例如：

import scipy.ndimage as ndimage, scipy.stats as st
ndimage.generic_filter(img, st.skew, size=(1,5))

SciPy的

st.skew（）

（例如，请参见）似乎将倾斜计算为

m3 / m2**1.5

式中，

m3=E[（X-m）**3]

（第三中心力矩）、

m2=E[（X-m）**2]

（方差）和

m=E[X]

（平均值）

要使用

uniform_filter（）

，必须根据原始力矩来编写，例如

m3p=E[X**3]

和

m2p=E[X**2]

（通常使用基本符号来区分原始力矩和中心力矩）：

（如果我的“…”跳过太多，这就是m2的全部推导。）然后可以使用

uniform\u filter（）

（或者

boxFilter（）

实现

与
generic_filter（）
相比，
winSkew（）
在我的机器上的以下示例中提供了654倍的加速：

In [185]: img = np.random.randint(0, 256, (500,500)).astype(np.float)

In [186]: %timeit ndimage.generic_filter(img, st.skew, size=(1,5))
1 loops, best of 3: 14.2 s per loop

In [188]: %timeit winSkew(img, (1,5))
10 loops, best of 3: 21.7 ms per loop

两种计算结果基本相同：

In [190]: np.allclose(winSkew(img, (1,5)), ndimage.generic_filter(img, st.skew, size=(1,5)))
Out[190]: True

峰度计算的代码也可以用同样的方法推导出来。
谢谢。这确实加快了方差和均值的计算，但我仍然需要一种方法来加快偏度和峰度的计算。Numpy不支持它们，并且它们不能应用于STERPS输出，因为scipy.stats.skew&kurtosis支持单轴上的应用程序
In [185]: img = np.random.randint(0, 256, (500,500)).astype(np.float)

In [186]: %timeit ndimage.generic_filter(img, st.skew, size=(1,5))
1 loops, best of 3: 14.2 s per loop

In [188]: %timeit winSkew(img, (1,5))
10 loops, best of 3: 21.7 ms per loop

In [190]: np.allclose(winSkew(img, (1,5)), ndimage.generic_filter(img, st.skew, size=(1,5)))
Out[190]: True