numpy/scipy，在subarrays上循环

Question

最近我在8x8块图像数据上做了很多处理。标准方法一直是使用嵌套的for-loops来提取块，例如，

for y in xrange(0,height,8): 
    for x in xrange(0,width,8): 
     d = image_data[y:y+8,x:x+8] 
     # further processing on the 8x8-block 

我不禁怀疑是否有一种方法使用numpy的/ SciPy的，我可以用，而不是向量化该操作或其他方法吗？某种类型的迭代器？

一个MWE ：

#!/usr/bin/env python 

import sys 
import numpy as np 
from scipy.fftpack import dct, idct 
import scipy.misc 
import matplotlib.pyplot as plt 

def dctdemo(coeffs=1): 
    unzig = np.array([ 
     0, 1, 8, 16, 9, 2, 3, 10, 
     17, 24, 32, 25, 18, 11, 4, 5, 
     12, 19, 26, 33, 40, 48, 41, 34, 
     27, 20, 13, 6, 7, 14, 21, 28, 
     35, 42, 49, 56, 57, 50, 43, 36, 
     29, 22, 15, 23, 30, 37, 44, 51, 
     58, 59, 52, 45, 38, 31, 39, 46, 
     53, 60, 61, 54, 47, 55, 62, 63]) 

    lena = scipy.misc.lena() 
    width, height = lena.shape 

    # reconstructed 
    rec = np.zeros(lena.shape, dtype=np.int64) 

    # Can this part be vectorized? 
    for y in xrange(0,height,8): 
     for x in xrange(0,width,8): 
      d = lena[y:y+8,x:x+8].astype(np.float) 
      D = dct(dct(d.T, norm='ortho').T, norm='ortho').reshape(64) 
      Q = np.zeros(64, dtype=np.float) 
      Q[unzig[:coeffs]] = D[unzig[:coeffs]] 
      Q = Q.reshape([8,8]) 
      q = np.round(idct(idct(Q.T, norm='ortho').T, norm='ortho')) 
      rec[y:y+8,x:x+8] = q.astype(np.int64) 

    plt.imshow(rec, cmap='gray') 
    plt.show() 

if __name__ == '__main__': 
    try: 
     c = int(sys.argv[1]) 
    except ValueError: 
     sys.exit() 
    else: 
     if 1 <= int(sys.argv[1]) <= 64: 
      dctdemo(int(sys.argv[1])) 

---

脚注：

1. 实际应用：https://github.com/figgis/dctdemo

Answer 1

有一个函数view_as_windows这在Scikit图片

• http://scikit-image.org/docs/dev/api/skimage.util.html#view-as-windows

不幸的是，我将不得不完成这个答案另一个时间，但你可以抓住表单中的窗口，你可以通到dct有：

from skimage.util import view_as_windows 
# your code... 
d = view_as_windows(lena.astype(np.float), (8, 8)).reshape(-1, 8, 8) 
dct(d, axis=0) 

Answer 2

在scikit-learn特征提取例程中有一个叫做extract_patches的函数。您需要指定和extraction_step。结果将作为补丁显示在图像上，这可能会重叠。得到的阵列是4D，补丁的前2个索引，最后两个索引补丁的像素。试试这个

from sklearn.feature_extraction.image import extract_patches 
patches = extract_patches(image_data, patch_size=(8, 8), extraction_step=(4, 4)) 

这给出了（8,8）大小的补丁重叠了一半。

请注意，直到现在，这使用没有额外的内存，因为它是使用跨步技巧实现的。你可以通过重塑来强制复制

patches = patches.reshape(-1, 8, 8) 

这基本上会产生一个补丁列表。