如何在numpy中获得从高分辨率到低分辨率的映射

Question

我需要做一个函数，它接受一个高分辨率的索引向量，例如hr，并在低分辨率lr采样时输出相应的索引。在

我的想法是创建一个翻译矩阵，如下所示：

在下面的矩阵中，其高分辨率为(6, 12)，其低分辨率为(2, 4)

如果输入向量是

v = [0, 1, 4, 24, 36, 42]

我会把我的翻译成

w = m[v]我希望输出[0,0,1,0,4,6]

问题：

1. 走这条路对吗？在
2. 如果是这样，我如何在numpy中创建mndarray？在

另外，如果这个问题有更好的名字，请告诉我，以便我可以改变它。在

Answer 1

节省空间的方式：

import numpy as np

hires = np.array((6, 12))
lowres = np.array((2,4))
h, w = hires // lowres

m = np.arange(np.prod(lowres)).reshape(lowres)
print(m)
# [[0 1 2 3]
#  [4 5 6 7]]

v = [0, 1, 4, 24, 36, 42]
i, j = np.unravel_index(v, hires)
w = m[i // h, j // w]
print(w)
# [0 0 1 0 4 6]

空间效率低的方式：

^{pr2}$

---

这里的主要思想是使用^{}将一个“平面索引”转换成给定数组形状的坐标元组。在

例如

In [446]: np.unravel_index([0, 1, 4, 24, 36, 42], (6, 12))
Out[446]: (array([0, 0, 0, 2, 3, 3]), array([0, 1, 4, 0, 0, 6]))

它返回两个索引数组，它们一起给出shape（6，12）数组中第0、1、4等元素的坐标。在

空间效率低下的方法构造大的m数组，然后通过索引m和这些坐标：w = m[np.unravel_index(v, hires)]来找到{}。在

空间效率更高的方法只需将坐标除以块大小（在本例中为3×3）来生成低分辨率坐标。 这就避免了生成大矩阵m的需要。我们可以用更小的矩阵

In [447]: m = np.arange(np.prod(lowres)).reshape(lowres); m
Out[447]: 
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])

然后索引到：w = m[i // h, j // w]。在

---

您可能还对^{}感兴趣，它是np.unravel_index的逆：

In [451]: np.ravel_multi_index((np.array([0, 0, 0, 2, 3, 3]), np.array([0, 1, 4, 0, 0, 6])), (6, 12))
Out[451]: array([ 0,  1,  4, 24, 36, 42])

它将坐标数组i和j转换回v。在