高效使用多个 Numpy 切片进行随机图像裁剪
简介：
在机器学习和计算机视觉中在应用程序中，图像裁剪是模型训练或推理之前预处理图像的一项关键任务。裁剪有助于提取相关的感兴趣区域并降低处理大图像的计算复杂度。
高效裁剪方法：
基于循环的裁剪方法，如问题所示，可以是对于大型数据集计算效率低下。为了解决这个问题，我们可以利用 numpy 的高级索引和基于跨步的方法。
利用基于跨步的方法：
Numpy 的 np.lib.stride_tricks.as_strided 函数允许提取跨步不复制数据的数组视图。该技术可以与 scikit-image 的 view_as_windows 函数结合使用，在输入图像数组上创建滑动窗口。
滑动窗口的说明：
view_as_windows 在输入中创建视图数组数组，其中每个视图代表一个滑动窗口。 window_shape 参数指定滑动窗口的形状。通过为我们不想滑动的轴传递 1，我们可以创建单一维度，稍后可以对其进行索引以获得所需的裁剪窗口。
代码实现：
以下代码演示了使用滑动窗口的高效裁剪方法：
<code class="python">from skimage.util.shape import view_as_windows # Get sliding windows w = view_as_windows(X, (1, 16, 16, 1))[..., 0, :, :, 0] # Index and retrieve specific windows out = w[np.arange(X.shape[0]), x, y] # Rearrange format out = out.transpose(0, 2, 3, 1)</code>
此代码有效地为每个图像生成随机 (x_offset, y_offset) 对，并将相应的 16x16 裁剪提取到形状数组 (4, 16, 16, 3)，不会产生不必要的内存开销。
以上是如何使用 NumPy 切片有效地裁剪随机图像块？的详细内容。更多信息请关注PHP中文网其他相关文章！
