我有一张图像，其中的值范围从0到1。我想做的是简单平均。
但更具体地说，对于图像边缘的单元格，我想计算邻域/核心部分中像素的平均值，该邻域/核心部分位于图像的范围内。实际上，这归结为调整“均值公式”的分母，即将总和除以的像素数。
但更具体地说，对于图像边缘的单元格，我想计算邻域/核心部分中像素的平均值，该邻域/核心部分位于图像的范围内。实际上，这归结为调整“均值公式”的分母，即将总和除以的像素数。
我使用scipy.ndimage.generic_filter实现了这一点，但这远非高效。
def fnc(buffer, count):
n = float(sum(buffer < 2.0))
sum = sum(buffer) - ((count - b) * 2.0)
return (sum / n)
avg = scipy.ndimage.generic_filter(image, fnc, footprint = kernel, \
mode = 'constant', cval = 2.0, \
extra_keywords = {'count': countkernel})
详细信息
kernel= 正方形数组（圆由1表示）- 使用2的填充而不是0，因为这样我才能正确区分填充区域的零和实际栅格的零
countkernel=kernel中的1的数量n= 不包括值为2的填充区域内的单元格的image内的单元格数- 从原始邻域总和中减去（填充单元格的数量* 2.0），以纠正
sum
更新
1）使用NaN进行填充会增加计算约30％：
def fnc(buffer):
return (numpy.nansum(buffer) / numpy.sum([~numpy.isnan(buffer)]))
avg = scipy.ndimage.generic_filter(image, fnc, footprint = kernel, \
mode = 'constant', cval = float(numpy.nan)
2) 应用由Yves Daoust（被接受的答案）提出的解决方案，可以将处理时间降至最低:
def fnc(buffer):
return numpy.sum(buffer)
sumbigimage = scipy.ndimage.generic_filter(image, fnc, \
footprint = kernel, \
mode = 'constant', \
cval = 0.0)
summask = scipy.ndimage.generic_filter(mask, fnc, \
footprint = kernel, \
mode = 'constant', \
cval = 0.0)
avg = sumbigimage / summask
3) 基于 Yves 的提示使用额外的二进制图像，实际上是应用掩码，我偶然发现了 masked arrays 的原理。因此，只需要处理一个数组，因为掩码数组“混合”了图像和掩码数组。
关于掩码数组的一个小细节：与之前更新中所做的在内部（原始图像的范围）填充1并在外部（边框）填充0相反，您必须做相反的操作。掩码数组中的1表示“无效”，0表示“有效”。
这段代码甚至比更新2中提供的代码快50%：
maskedimg = numpy.ma.masked_array(imgarray, mask = maskarray)
def fnc(buffer):
return numpy.mean(buffer)
avg = scipy.ndimage.generic_filter(maskedimg, fnc, footprint = kernel, \
mode = 'constant', cval = 0.0)
--> 我必须在这里更正自己!
我在验证过程中可能出现了错误，因为经过一些计算后，似乎scipy.ndimage.<filters>无法处理masked_array，在过滤操作期间不考虑掩码。
其他一些人也提到了这一点，比如这里和这里。
一张图片的力量...
- 灰色：要处理的图像范围
- 白色：填充区域（在我的情况下填充为2.0）
- 红色阴影：内核范围
- 暗红色：有效邻域
- 浅红色：要忽略的邻域部分
如何修改这个相当实用的代码以提高计算性能？
非常感谢您的帮助！