用Python从三维图像中提取面片

我试图从3D图像中提取补丁，作为神经网络的训练数据。但是我很难为更大的图像重塑补丁。我目前正在使用view_作为_窗口，但如果其他方法证明更有用，我愿意使用它们

我的代码的示例如下：

将numpy导入为np
从skimage.util导入视图作为窗口
内核大小=17
V=np.rand.rand（150150）
X=视为视窗（V，（内核大小，内核大小，内核大小），步长=1）

这将创建一个大小为

（134134,17,17,17）

的numpy数组。现在，我理想地希望将其重塑为

（24061044913）

，但尝试重塑会导致分配错误：

X=X.重塑（134**3,17**3）
MemoryError:无法为具有形状（134、134、134、17、17、17）和数据类型float64的数组分配88.1 GiB

---

是否有一种方法可以重塑我的补丁，或者有更好的通用方法来实现这一点？

问题是，如果不复制数据，就无法创建重塑后的阵列，因此您需要大量空间。简单的选择是对数据进行分块或批处理。大致（忽略边缘和重叠效果）：

---

较长的答案是，您所做的（迭代所有17x17x17补丁）在字段中有一个名称，称为卷积，而卷积神经网络为您做到这一点，而无需创建昂贵的数据副本。简而言之，以这种方式使用

view\u as\u windows

是一个巧妙的小技巧，理解它与卷积的等价性是有用的，但它不是这项工作的正确工具。为此，深度学习lib库中应该使用3D卷积层。< / P>是的，我尝试补丁解决方案而不是美国有线电视新闻网的原因是我在2D中有困难使我的回归目的。但我会再试试3D。

xsize, ysize, zsize = V.shape
xbatch, ybatch, zbatch = (34, 34, 34)
batch_size = xbatch * ybatch * zbatch
for i, j, k in itertools.product(
    range(xsize // xbatch), range(ysize // ybatch), range(zsize // sbatch)
):
    Xbatch = X[i * xbatch : (i+1) * xbatch,
               j * ybatch : (j+1) * ybatch,
               k * zbatch : (k+1) * zbatch]
    Xbatch_linear = Xbatch.reshape((batch_size, -1))
    # ... do your deep learning on the batch