Python中的迭代多维数组

时间:2015-01-16 09:38:48

标签: python numpy multidimensional-array glcm

我想使用滑动窗口在图像上计算一些操作(GLCM)。实现它的代码是:

import numpy as np
from skimage.feature import greycomatrix, greycoprops

from numpy.lib.stride_tricks import as_strided

image = np.arange(36).reshape((6,6))

window = 5

result = np.zeros(image.shape)
for i in xrange(window/2,image.shape[0]-window/2):
    for j in xrange(window/2,image.shape[1]-window/2):
        sample = image[i-(window/2):i+(window/2)+1, j - (window/2):j+(window/2)+1]
        glcm = greycomatrix(sample, [1], [0], 256, symmetric=False, normed=True)
        result[i,j] = greycoprops(glcm, 'contrast')[0, 0]

它有效,但两个for循环非常昂贵。我想提高速度,所以,在网上浏览,我尝试使用 as_stride 技巧:

from numpy.lib.stride_tricks import as_strided

image = np.arange(36).reshape((6,6))

window = 5

y = as_strided(image,shape=(image.shape[0] - window + 1,\
                            image.shape[1] - window + 1,) +\
               (window,window),  strides=image.strides * 2)

例如,计算第一个窗口的GLCM:

glcm = greycoprops(greycomatrix(y[0,0], [1], [0], 256, symmetric=False, normed=True))[0][0]

我尝试将所有滑动窗口应用为:

glcm[:,:] = greycoprops(greycomatrix(y[:,:], [1], [0], 256, symmetric=False, normed=True))[0][0]

但在这种情况下,y[:,:]没有ndim==2 y[0,0]ndim==4,等等。我无法找到一种方法,以智能方式迭代保留ndim == 2的所有子集( greycomatrix 函数所需)。

修改

我尝试使用ravel并在1D向量上工作,因此,只需1个for循环。这是代码:

a = y.ravel()
print a.shape
glcm=np.zeros(a.shape[0]/(window*window))
for i in np.arange(a.shape[0]/(window*window)):
    glcm[i] = greycoprops(greycomatrix(a[i*25:i*25+25].reshape(5,5), [1], [0], 256, symmetric=False, normed=True))[0][0]

result= glcm.reshape(y.shape[0],y.shape[1])

处理时间增加......

2 个答案:

答案 0 :(得分:1)

因为你忘了实际问一个问题,我会假设它是

  

如何快速运行?

嗯,在这种情况下,严酷的事实是,与python一样好,与单个像素操作相比,进行大量切片的python for循环总是相对昂贵。 / p>

因此,如果速度是您的关注点,那么您应该使用允许您获取python绑定的语言(例如,C与cpython)来实现某些函数,并使用该函数。

答案 1 :(得分:0)

使用as_strided y您仍然需要单独访问子数组,例如:

for i in range(y.shape[0]):
    for j in range(y.shape[1]):
        sample = y[i,j,...]
        print sample

甚至

for row in y:
    for sample in row:
        print sample

除了你需要收集结果。

在这样的迭代中,as_strided只有在更有效地访问子数组时才有好处。

但如果您可以重写GCLM计算以使用4d数组,那么它的真正好处就来了。一些numpy操作被设计为在1或2个轴上操作,而其他操作只是“为了骑行而去”。例如,如果您的计算仅包括取图像的平均值。使用y即可:

np.mean(y, axes=(-2,-1))