在3D数组中找到最大和的位置

问题描述

我有一个2D NumPy数组的时间序列，我想找出具有特定窗口大小（n）的最大和的位置（中心），

我已经尝试过使用conv2，如下所示：

from scipy.signal import convolve2d as conv2

def largest_sum_pos_app1(a,n):
    idx = conv2(a,np.ones((n,n),dtype=int),'same').argmax()
    return np.unravel_index(idx,a.shape)

但是，这将提供单个2D数组的位置，现在我想根据历史序列找出窗口的位置。 numpy或scipy中是否有内置模块来处理此类3D数组。

举个例子： 输入数组

       ([[0 1 4 0] 
        [1 2 5 1]
        [2 3 6 0]],[[1 2 9 4]
        [2 4 6 2]
        [1 5 1 3]],[[0 2 3 1]
        [0 3 5 0]
        [1 4 6 1]])

以3 x 3大小的窗口为例，每个窗口的总和为：

       [[24 22]
        [31 36]
        [24 25]]

现在，当我们计算总和为[79 83]时，我将选择第二个窗口。这是简单的情况，但是我有更大的数组大小和数千个时间步长。有没有办法解决这个问题而没有任何循环。

解决方法

您可能想要oaconvolve，它可以处理多个尺寸，并允许您选择要对其进行操作的尺寸。假设您有一个形状为a的数组(k,width,height)，其中k是平面数：

from scipy.signal import oaconvolve

c = oaconvolve(a,np.ones((1,n,n)),axes=(-2,-1),mode='same')
idx = c.reshape(a.shape[0],-1).argmax(axis=1)
result = np.unravel_index(idx,a.shape[1:])

这不允许您选择进行卷积的方法，因此它可能不是算法的最佳选择。

,

您的问题可能需要一些澄清，但我将假设您的“窗口”重叠。在这种情况下，您可以这样做：

import numpy as np
import scipy.ndimage as ndi

def largest_sum_pos_app1(a,n):
    # assumes that your data is arranged as (time,y,x)
    # uniform_filter will essentially calculate the sum of all pixels in a
    # neighborhood around each pixel in your original array
    window_sums = ndi.uniform_filter(a,n)
    # to find the index we use argmax,but that requires a little acrobatics
    max_idx = window_sums.reshape((len(a),-1)).argmax(1)
    # the result of unravel_index is designed to be used for NumPy fancy indexing,# so we need to reshape it.
    coords = np.array(np.unravel_index(max_idx,a.shape[1:])).T
    # the result is the y,x coordinates for each time point
    return coords

您需要注意的一件事是mode的{​​{1}}参数，它确定如何处理图像的边缘。默认设置是仅用零填充边缘，这可能是您想要的，也可能不是。