如何在python中从3D图像中提取pache？

我有一张3D图像，大小为：

Deep x Weight x Height

（例如：

10x20x30

，表示10张图像，每张图像的大小为

20x30

）

---

给定一个补丁大小为

pd x pw x ph

（例如

pd使用
np.lib.stride\u技巧。as\u stride
。此解决方案不需要用步长来划分输入堆栈的相应维度。它甚至允许重叠补丁（在这种情况下，不要写入结果，也不要复制）。因此，它比其他方法更灵活：

import numpy as np
from numpy.lib import stride_tricks

def cutup(data, blck, strd):
    sh = np.array(data.shape)
    blck = np.asanyarray(blck)
    strd = np.asanyarray(strd)
    nbl = (sh - blck) // strd + 1
    strides = np.r_[data.strides * strd, data.strides]
    dims = np.r_[nbl, blck]
    data6 = stride_tricks.as_strided(data, strides=strides, shape=dims)
    return data6#.reshape(-1, *blck)

#demo
x = np.zeros((5, 6, 12), int)
y = cutup(x, (2, 2, 3), (3, 3, 5))

y[...] = 1
print(x[..., 0], '\n')
print(x[:, 0, :], '\n')
print(x[0, ...], '\n')

输出：

[[1 1 0 1 1 0]
 [1 1 0 1 1 0]
 [0 0 0 0 0 0]
 [1 1 0 1 1 0]
 [1 1 0 1 1 0]] 

[[1 1 1 0 0 1 1 1 0 0 0 0]
 [1 1 1 0 0 1 1 1 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0]
 [1 1 1 0 0 1 1 1 0 0 0 0]
 [1 1 1 0 0 1 1 1 0 0 0 0]] 

[[1 1 1 0 0 1 1 1 0 0 0 0]
 [1 1 1 0 0 1 1 1 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0]
 [1 1 1 0 0 1 1 1 0 0 0 0]
 [1 1 1 0 0 1 1 1 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0]] 

说明。Numpy数组按步长组织，每个维度一个，数据点[x，y，z]位于内存中的地址基+步长x*x+步长y*y+步长z*z

stride\u技巧。as\u stride
factory允许直接操纵与给定数组共享内存的新数组的步长和形状。只有在您知道自己在做什么时才可以尝试此操作，因为没有执行任何检查，这意味着您可以通过寻址越界内存来射击脚

代码使用此函数将三个现有标注拆分为两个新标注，一个用于对应的块内坐标（这将与原始标注具有相同的跨距，因为块中的相邻点对应于整个堆栈中的相邻点）以及沿该轴的块索引的一个维度；该维度将具有步幅=原始步幅x块步幅

代码所做的只是计算正确的步幅和尺寸（=沿三个轴的块尺寸和块计数）

由于数据与原始数组共享，当我们将6d数组的所有点设置为1时，它们也会设置在原始数组中，从而在演示中暴露块结构。请注意，函数最后一行中注释掉的
重塑
会断开此链接，因为它会强制复制。
的
略读
模块为您提供一个集成的解决方案。
消息来源是在线的

注意选择深度、重量、高度的倍数，因为当你大步前进时，不要检查边界。
谢谢你的解决方案。你能解释一下这个想法吗？@user3051460我已经试过了（见帖子）；我还简化了一点代码。使用
as_strip
的全部目的是为了满足不划分输入维度的块维度。只有
重塑基于此限制的解决方案。mmmh。我不太确定op的目标。这似乎是一项（t，x，y）中的跟踪任务空格。在这种情况下，步幅不需要重新定义……我会问他。@B.M.这是一个很好的lib。但是如果两个补丁重叠，会发生什么情况。这意味着步幅小于重量/2或高度/2。也许
view\u as\u windows
在这种情况下可以帮助你？@B.M:你是对的。as\u stried不检查边界。我正在尝试
view\u as\u windows
。您认为
view_as_windows
支持随机选择补丁吗？您是否试图在（时间，x，y）空间中跟踪大图像中的某些细节？是否要为已知（x0，y0，t0）生成微空间（[t0 dt，t0+dt]，[x0 dx，x0+dx]，[y0 dy，y0+dy]）？事实上，我不在乎时间。我只想将图像提取到给定图像和补丁大小的补丁中。补丁将从左到右扫描，并进行深度扫描。该过程类似于卷积，但我提取的是补丁，而不是计算值