Desarrollo de Python
  1. Desarrollo de Python
  3. Uso eficiente de múltiples numpy slices para recorte de imagen aleatorio
Intereting Posts
django-rest-framework 3.0 crea o actualiza en un serializador nested Establecer particiones en Python AttributeError: el módulo ‘numpy’ no tiene ningún atributo ‘flip’ django manage.py runserver se bloquea después de la segunda solicitud (intermitente) ¿La forma correcta de restablecer csv.reader para múltiples iteraciones? ctypes.ArgumentError al llamar a funciones DLL con Python numpy: divide la matriz 1D de trozos separados por nans en una lista de los trozos ¿Por qué es un `for ‘sobre una lista de Python más rápido que sobre una matriz Numpy? igualdad de punto flotante en Python y en general No puedo instalar zbar Ruta de progresión de Python – De aprendiz a gurú Crear un directorio de paquetes de sitio secundario (y cargar paquetes desde archivos .pth en él) Desactivar una advertencia en sqlalchemy Varios archivos para un argumento en argparse Python 2.7 ¿Cómo combinar columnas después de la agrupación y seleccionar el primer valor válido de otras columnas en un dataframe de pandas?

Uso eficiente de múltiples numpy slices para recorte de imagen aleatorio

Tengo una matriz numpy 4-D, con la primera dimensión que representa el número de imágenes en un conjunto de datos, la segunda y la tercera son la anchura y la altura (iguales) y la cuarta la cantidad de canales (3). Por ejemplo, digamos que tengo 4 imágenes en color que son 28 * 28, por lo que mis datos de imagen se ven así: 

X = np.reshape(np.arange(4*28*28*3), (4,28,28,3))

Me gustaría seleccionar un recorte aleatorio de 16 * 16 de ancho x alto de cada una de las 4 imágenes. Críticamente, quiero que el recorte sea diferente por imagen, es decir, quiero generar 4 pares aleatorios (x_offset, y_offset). Al final quiero acceder a un conjunto de formas (4, 16, 16, 3).

Si tuviera que escribir esto en un bucle for, se vería algo así: 

 x = np.random.randint(0,12,4) y = np.random.randint(0,12,4) for i in range(X.shape[0]): cropped_image = X[i, x[i]:x[i]+16, y[i]:y[i]+16, :] #Add cropped image to a list or something

Pero me gustaría hacerlo de la manera más eficiente posible y me pregunto si hay una manera de hacerlo con zancadas e indexación elegante. He visto las respuestas a esta pregunta, pero no puedo comprender cómo podría combinar algo como stride_tricks con puntos de inicio aleatorios para los pasos en el segundo y tercer eje (ancho y alto).

Aproveche el método strided-based para la extracción eficiente de parches

Podemos aprovechar np.lib.stride_tricks.as_strided scikit-image's view_as_windows para obtener ventanas deslizantes que serían simplemente views en la matriz de entrada y, por lo tanto, no incurrirán en una sobrecarga de memoria adicional y prácticamente gratis. Seguramente podemos usar np.lib.stride_tricks.as_strided directamente, pero el trabajo de configuración requerido es difícil de administrar, especialmente en arreglos con dimensiones más altas. Si scikit-image no está disponible, podemos usar directamente el source code que funciona de forma independiente.

Explicación sobre el uso de view_as_windows

La idea con view_as_windows es que view_as_windows en la entrada arg window_shape como una tupla de longitud igual a la cantidad de dimensiones en la matriz de entrada cuyas ventanas deslizantes son necesarias. Los ejes a lo largo de los cuales debemos deslizarnos se alimentan con las longitudes de ventana respectivas y el rest se alimenta con 1s . Esto crearía una matriz de views con singleton dims/axes es decir, ejes con lengths=1 correspondientes a los 1s en window_shape arg. Por lo tanto, para esos casos podríamos querer indexar en el elemento cero correspondiente a los ejes que se alimentan como longitudes de las ventanas deslizantes para tener una versión comprimida de las ventanas deslizantes.

Por lo tanto, tendríamos una solución, como tal – 

 # Get sliding windows from skimage.util.shape import view_as_windows w = view_as_windows(X, (1,16,16,1))[...,0,:,:,0] # Index and get our specific windows out = w[np.arange(X.shape[0]),x,y] # If you need those in the same format as in the posted loopy code out = out.transpose(0,2,3,1)