使用邻域和对 3D 数组进行子采样

Question

标题可能令人困惑。我有一个相当大的 3D numpy 数组。我想通过合并大小 (2,2,2) 的块来将它的大小减少 2^3。新 3D 数组中的每个元素都应包含原始数组中相应块中元素的总和。

例如，考虑一个 4x4x4 数组：

input = [[[1, 1, 2, 2],
          [1, 1, 2, 2],
          [3, 3, 4, 4],
          [3, 3, 4, 4]],
         [[1, 1, 2, 2],
          [1, 1, 2, 2],
          [3, 3, 4, 4],
          [3, 3, 4, 4]],
              ...    ]]]

（为了节省space，我只代表了一半）。请注意，所有具有相同值的元素构成一个 (2x2x2) 块。输出应该是一个 2x2x2 数组，这样每个元素都是一个块的总和：

output = [[[8, 16],
          [24, 32]],
             ... ]]]

所以8是所有1的和，16是2的和，依此类推。

Answer 1

有一个内置函数可以减少 block-wise - skimage.measure.block_reduce-

In [36]: a
Out[36]: 
array([[[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 3, 4, 4],
        [3, 3, 4, 4]],

       [[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 3, 4, 4],
        [3, 3, 4, 4]]])

In [37]: from skimage.measure import block_reduce

In [39]: block_reduce(a, block_size=(2,2,2), func=np.sum)
Out[39]: 
array([[[ 8, 16],
        [24, 32]]])

使用其他归约 ufunc，比如 max-reduction -

In [40]: block_reduce(a, block_size=(2,2,2), func=np.max)
Out[40]: 
array([[[1, 2],
        [3, 4]]])

使用 NumPy 工具实现这样的功能并不困难，可以像这样完成 -

def block_reduce_numpy(a, block_size, func):
    shp = a.shape
    new_shp = np.hstack([(i//j,j) for (i,j) in zip(shp,block_size)])
    select_axes = tuple(np.arange(a.ndim)*2+1)
    return func(a.reshape(new_shp),axis=select_axes)

使用邻域和对 3D 数组进行子采样

Subsampling 3D array using the neighbourhood sum

python

arrays

numpy

binning

subsampling