Efficient Moving Average Filter

Comme d'autres l'ont mentionné, vous devriez considérer un filtre IIR (réponse impulsion infinie) plutôt que le filtre FIR (réponse impulsionnelle finie) que vous utilisez maintenant. Il y a plus, mais à première vue les filtres FIR sont implémentés comme des convolutions explicites et des filtres IIR avec des équations. Le filtre IIR particulier que j'utilise beaucoup dans les microcontrôleurs est un filtre passe-bas à un seul pôle. C'est l'équivalent numérique d'un simple filtre analogique R-C. Pour la plupart des applications, celles-ci auront de meilleures caractéristiques que le filtre de boîte que vous utilisez. La plupart des utilisations d'un filtre de boîte que j'ai rencontré sont le résultat de quelqu'un qui ne prête pas attention dans la classe de traitement de signal numérique, et non pas en raison de besoin de leurs caractéristiques particulières. Si vous voulez juste atténuer les hautes fréquences que vous connaissez le bruit, un seul filtre passe-bas piste est mieux. La meilleure façon d'implémenter un numérique dans un microcontrôleur est généralement: FILT lt-- FILT FF (NEW-FILT) FILT est un morceau d'état persistant. Il s'agit de la seule variable persistante dont vous avez besoin pour calculer ce filtre. NEW est la nouvelle valeur que le filtre est mis à jour avec cette itération. FF est la fraction du filtre. Qui ajuste la lourdeur du filtre. Regardez cet algorithme et voyez que pour FF 0 le filtre est infiniment lourd puisque la sortie ne change jamais. Pour FF 1, son vraiment pas de filtre du tout puisque la sortie vient de suivre l'entrée. Les valeurs utiles sont entre les deux. Sur les petits systèmes, vous choisissez FF pour être 1 2 N de sorte que la multiplication par FF peut être accomplie comme un décalage à droite par N bits. Par exemple, FF peut être 1 16 et multiplier par FF donc un décalage à droite de 4 bits. Sinon, ce filtre n'a besoin que d'une soustraction et d'un ajout, bien que les nombres doivent généralement être plus larges que la valeur d'entrée (plus sur la précision numérique dans une section séparée ci-dessous). Je prends habituellement des lectures de D sensiblement plus rapides qu'elles sont nécessaires et appliquez deux de ces filtres en cascade. Il s'agit de l'équivalent numérique de deux filtres R-C en série, et atténue par 12 dB octave au-dessus de la fréquence de roulage. Cependant, pour les lectures A D, il est généralement plus pertinent de regarder le filtre dans le domaine temporel en considérant sa réponse par pas. Cela indique à quelle vitesse votre système verra un changement lorsque la chose que vous mesure change. Pour faciliter la conception de ces filtres (ce qui signifie seulement cueillir FF et décider combien d'entre eux de cascade), je utiliser mon programme FILTBITS. Vous spécifiez le nombre de bits de décalage pour chaque FF dans la série de filtres en cascade, et il calcule la réponse d'étape et d'autres valeurs. En fait, je cours habituellement via mon script wrapper PLOTFILT. Cela exécute FILTBITS, qui crée un fichier CSV, puis trace le fichier CSV. Par exemple, voici le résultat de PLOTFILT 4 4: Les deux paramètres de PLOTFILT signifient qu'il y aura deux filtres en cascade du type décrit ci-dessus. Les valeurs de 4 indiquent le nombre de bits de décalage pour réaliser la multiplication par FF. Les deux valeurs FF sont donc 1 16 dans ce cas. La trace rouge est la réponse à l'échelon de l'unité, et c'est la chose principale à regarder. Par exemple, ceci indique que si l'entrée change instantanément, la sortie du filtre combiné s'installera à 90 de la nouvelle valeur en 60 itérations. Si vous prenez soin de 95 temps de règlement, alors vous devez attendre environ 73 itérations, et pour 50 temps de règlement seulement 26 itérations. La trace verte vous montre la sortie d'une seule pointe pleine amplitude. Cela vous donne une idée de la suppression du bruit aléatoire. Il semble qu'aucun échantillon ne causera plus d'un changement de 2.5 dans la sortie. La trace bleue est de donner un sentiment subjectif de ce que ce filtre fait avec le bruit blanc. Ce n'est pas un test rigoureux car il n'y a aucune garantie exactement quel était le contenu des nombres aléatoires sélectionnés comme le bruit blanc d'entrée pour cette série de PLOTFILT. Son seulement pour vous donner une sensation rugueuse de combien il sera écrasé et comment lisse il est. PLOTFILT, peut-être FILTBITS, et beaucoup d'autres choses utiles, en particulier pour le développement de microprogramme PIC est disponible dans la version du logiciel PIC Development Tools à la page de téléchargement de mon logiciel. Ajouté à la précision numérique je vois des commentaires et maintenant une nouvelle réponse qu'il ya intérêt à discuter le nombre de bits nécessaires pour mettre en œuvre ce filtre. Notez que la multiplication par FF créera des bits nouveaux Log 2 (FF) en dessous du point binaire. Sur de petits systèmes, FF est généralement choisi pour être 1 2 N de sorte que cette multiplication est effectivement réalisée par un décalage à droite de N bits. FILT est donc généralement un entier de point fixe. Notez que cela ne change rien des maths du point de vue des processeurs. Par exemple, si vous filtrez des lectures A D de 10 bits et N 4 (FF 1 16), vous avez besoin de 4 bits de fraction au-dessous des valeurs A digits de 10 bits entiers. L'un des processeurs les plus, youd faire 16 bits opérations entières en raison de la 10 bits A D lectures. Dans ce cas, vous pouvez toujours faire exactement les mêmes opérations de 16 bits entiers, mais commencer par les lectures A D gauche décalées de 4 bits. Le processeur ne connaît pas la différence et ne nécessite pas. Faire les calculs sur des entiers entiers de 16 bits fonctionne si vous les considérez comme 12,4 points fixes ou entiers 16 bits vrais (16,0 points fixes). En général, vous devez ajouter N bits chaque pôle de filtre si vous ne voulez pas ajouter de bruit en raison de la représentation numérique. Dans l'exemple ci-dessus, le second filtre de deux devrait avoir 1044 18 bits pour ne pas perdre d'informations. En pratique sur une machine 8 bits, cela signifie que vous utiliserez des valeurs de 24 bits. Techniquement seul le second pôle de deux aurait besoin de la plus grande valeur, mais pour la simplicité du microprogramme, j'utilise habituellement la même représentation, et donc le même code, pour tous les pôles d'un filtre. Habituellement, j'écris une sous-routine ou une macro pour effectuer une opération de pôle de filtre, puis l'appliquer à chaque pôle. Le choix d'un sous-programme ou d'une macro dépend du fait que les cycles ou la mémoire de programme sont plus importants dans ce projet particulier. De toute façon, j'utilise un certain état de scratch pour passer NOUVEAU dans la macro de sous-programme, qui met à jour FILT, mais aussi les charges qui dans le même état de scratch NEW était dedans. Cela rend facile d'appliquer plusieurs pôles depuis le FILT mis à jour d'un pôle est le NOUVEAU de la suivante. Lorsqu'un sous-programme, il est utile d'avoir un pointeur pointe vers FILT sur le chemin, qui est mis à jour juste après FILT sur la sortie. De cette façon, le sous-programme fonctionne automatiquement sur des filtres consécutifs en mémoire si appelé plusieurs fois. Avec une macro, vous n'avez pas besoin d'un pointeur puisque vous passez dans l'adresse pour fonctionner sur chaque itération. Exemples de code Voici un exemple de macro comme décrit ci-dessus pour un PIC 18: Et voici une macro similaire pour un PIC 24 ou dsPIC 30 ou 33: Ces deux exemples sont implémentés en tant que macros en utilisant mon pré-processeur assembleur PIC. Qui est plus capable que l'un des macro-installations intégrées. Clabacchio: Un autre problème que je devrais mentionner est la mise en œuvre du microprogramme. Vous pouvez écrire un sous-programme de filtre passe-bas à un seul pôle une fois, puis l'appliquer plusieurs fois. En fait, j'écris habituellement un tel sous-programme pour prendre un pointeur en mémoire à l'état du filtre, puis faire avancer le pointeur pour qu'il puisse être appelé successivement facilement pour réaliser des filtres multipolaires. Ndash Olin Lathrop Apr 20 12 at 15:03 1. merci beaucoup pour vos réponses - tous. J'ai décidé d'utiliser ce filtre IIR, mais ce filtre n'est pas utilisé comme un filtre LowPass standard, car j'ai besoin de la moyenne des valeurs de compteur et de les comparer pour détecter les changements dans une certaine gamme. Puisque ces valeurs vont être de dimensions très différentes selon le matériel que je voulais prendre en moyenne afin de pouvoir réagir automatiquement à ces modifications spécifiques au matériel. Ndash sensslen May 21 12 at 12:06 Si vous pouvez vivre avec la restriction d'un pouvoir de deux nombre d'articles à la moyenne (c'est-à-dire 2,4,8,16,32 etc) alors le partage peut facilement et efficacement être fait sur une Faible performance micro sans division dédiée car il peut être fait comme un changement de bit. Chaque décalage à droite est une puissance de deux, par exemple: Le OP pensait qu'il avait deux problèmes, la division dans un PIC16 et la mémoire de son tampon anneau. Cette réponse montre que la division n'est pas difficile. Certes, il n'aborde pas le problème de la mémoire, mais le système SE permet des réponses partielles, et les utilisateurs peuvent prendre quelque chose à partir de chaque réponse pour eux-mêmes, ou même modifier et combiner d'autres réponses. Puisque certaines des autres réponses nécessitent une opération de division, elles sont également incomplètes car elles ne montrent pas comment réaliser efficacement ceci sur un PIC16. Ndash Martin Apr 20 12 at 13:01 Il ya une réponse pour un vrai filtre de moyenne mobile (aka boxcar filtre) avec moins de mémoire, si vous n'avez pas l'esprit de downsampling. Son appelé un filtre intégrateur-peigne en cascade (CIC). L'idée est que vous avez un intégrateur que vous prenez des différences de plus d'un laps de temps, et le dispositif de sauvegarde de mémoire clé est que par downsampling, vous n'avez pas à stocker chaque valeur de l'intégrateur. Il peut être implémenté en utilisant le pseudocode suivant: Votre longueur moyenne mobile efficace est decimationFactorstatesize, mais vous avez seulement besoin de conserver autour des échantillons statesize. Évidemment, vous pouvez obtenir de meilleures performances si votre stateize et decimationFactor sont des puissances de 2, de sorte que les opérateurs de division et de reste sont remplacés par des changements et masque-ands. Postscript: Je suis d'accord avec Olin que vous devriez toujours considérer les filtres IIR simples avant un filtre de moyenne mobile. Si vous n'avez pas besoin de fréquence-nulls d'un filtre de wagon, un filtre à un ou un filtre passe-bas bipolaire fonctionnera probablement bien. D'autre part, si vous filtrez les fins de la décimation (en prenant une entrée haute fréquence d'échantillonnage et de la moyenne pour une utilisation par un processus à faible taux), puis un filtre CIC peut être juste ce que vous cherchez. (En particulier si vous pouvez utiliser statesize1 et d'éviter le ringbuffer tout à fait avec une seule valeur intégrateur précédent) Theres une analyse approfondie des maths derrière en utilisant le filtre IIR de premier ordre qu'Olin Lathrop a déjà décrit plus sur le Digital Signal Processing stack exchange (Y compris beaucoup de jolies images.) L'équation pour ce filtre IIR est: Cela peut être implémenté en utilisant uniquement des entiers et pas de division en utilisant le code suivant (peut-être besoin d'un débogage comme je le tapais à partir de la mémoire.) Les K derniers échantillons en réglant la valeur de alpha à 1 K. Effectuez cette opération dans le code précédent en définissant BITS sur LOG2 (K), c'est-à-dire pour K 16 mis BITS sur 4, pour K 4 mis BITS sur 2, etc. Ill vérifient le code énuméré ici dès que j'obtiens un changement et éditez cette réponse si nécessaire.) A répondu Jun 23 12 à 4:04 Heres un filtre passe-bas unipolaire (moyenne mobile, avec la fréquence de coupure CutoffFrequency). Très simple, très rapide, fonctionne très bien, et presque aucun surcroît de mémoire. Remarque: Toutes les variables ont une portée au-delà de la fonction de filtre, à l'exception de la passée dans newInput Remarque: Il s'agit d'un filtre monophasé. Plusieurs étages peuvent être mis en cascade ensemble pour augmenter la netteté du filtre. Si vous utilisez plus d'une étape, vous devez régler DecayFactor (en fonction de la fréquence de coupure) pour compenser. Et évidemment, tout ce dont vous avez besoin est ces deux lignes placées n'importe où, ils n'ont pas besoin de leur propre fonction. Ce filtre a un temps de montée en charge avant que la moyenne mobile ne représente celle du signal d'entrée. Si vous devez contourner ce temps de montée en puissance, vous pouvez simplement initialiser MovingAverage à la première valeur de newInput au lieu de 0 et espérer que le premier newInput n'est pas un outlier. (CutoffFrequency SampleRate) a une plage comprise entre 0 et 0,5. DecayFactor est une valeur entre 0 et 1, habituellement proche de 1. Les flotteurs de précision simple sont assez bons pour la plupart des choses, je préfère simplement les doubles. Si vous avez besoin de coller avec des entiers, vous pouvez convertir DecayFactor et Amplitude Factor en entiers fractionnaires, dans lequel le numérateur est stocké comme l'entier, et le dénominateur est une puissance entière de 2 (si vous pouvez bit-shift à la droite comme Dénominateur plutôt que de devoir diviser pendant la boucle de filtre). Par exemple, si vous utilisez DecayFactor 0.99 et que vous voulez utiliser des entiers, vous pouvez définir DecayFactor 0.99 65536 64881. Et puis, chaque fois que vous multipliez par DecayFactor dans votre boucle de filtre, il suffit de décaler le résultat 16. Pour plus d'informations à ce sujet, un excellent livre thats En ligne, chapitre 19 sur les filtres récursifs: dspguide ch19.htm PS Pour le paradigme de la moyenne mobile, une approche différente pour définir DecayFactor et AmplitudeFactor qui peut être plus pertinent pour vos besoins, disons que vous voulez que le précédent, environ 6 éléments moyennés ensemble, le faire discrètement, youd ajouter 6 articles et diviser par 6, donc Vous pouvez définir le AmplitudeFactor sur 1 6 et DecayFactor sur (1.0 - AmplitudeFactor). A répondu May 14 12 at 22:55 Tout le monde a commenté minutieusement sur l'utilité de l'IIR vs FIR, et sur la puissance-de-deux division. Id juste comme pour donner quelques détails d'implémentation. Le ci-dessous fonctionne bien sur de petits microcontrôleurs sans FPU. Il n'y a pas de multiplication, et si vous conservez N une puissance de deux, toute la division est un seul cycle de déplacement de bits. Basic buffer anneau FIR: conserve un tampon courant des dernières N valeurs, et une somme courante de toutes les valeurs dans le tampon. Chaque fois qu'un nouvel échantillon arrive, soustrayez la valeur la plus ancienne du tampon de SUM, remplacez-la par le nouvel échantillon, ajoutez le nouvel échantillon à SUM et sortez SUM N. Modifiez le buffer d'anneau IIR: conservez une SUM courante du dernier N valeurs. Chaque fois qu'un nouvel échantillon arrive, SUM - SUM N, ajoutez le nouvel échantillon, et la sortie SUM N. Répondre Augmenter la taille de la police Augmenter la taille de la police N'est pas la valeur la plus ancienne qui tombe, mais plutôt la moyenne des valeurs précédentes. Les filtres IIR de premier ordre peuvent certainement être utiles, mais je ne sais pas ce que vous voulez dire lorsque vous proposez que la sortie soit la même pour tous les signaux périodiques. À une fréquence d'échantillonnage de 10 kHz, l'alimentation d'une onde carrée de 100 Hz dans un filtre de 20 étages produira un signal qui s'élève uniformément pour 20 échantillons, se stabilise à 30, chute uniformément pour 20 échantillons et reste bas pour 30. Un premier ordre IIR. Ndash supercat Aug 28 13 à 15:31 donnera une onde qui commence brusquement à monter et se nivelle graduellement près (mais pas à) le maximum d'entrée, puis commence brusquement à tomber et se nivelle graduellement près (mais pas) du minimum d'entrée. Comportement très différent. Ndash supercat Aug 28 13 at 15:32 Une question est qu'une moyenne mobile simple peut ou peut ne pas être utile. Avec un filtre IIR, vous pouvez obtenir un filtre agréable avec relativement peu de calcs. La FIR que vous décrivez peut seulement vous donner un rectangle dans le temps - un sinc en freq - et vous ne pouvez pas gérer les lobes latéraux. Il peut être bien la peine de jeter dans quelques entiers multiplicatif pour en faire une belle symétrique accordable FIR si vous pouvez épargner les tics de l'horloge. Ndash Scott Seidman Aug 29 13 at 13:50 ScottSeidman: Il n'est pas nécessaire de multiplier si on a simplement chaque étape de la FIR soit la sortie de la moyenne de l'entrée à cette étape et sa valeur stockée précédente, puis stocker l'entrée (si on a La plage numérique, on pourrait utiliser la somme plutôt que la moyenne). Que ce soit mieux qu'un filtre de boîte dépend de l'application (la réponse d'étape d'un filtre de boîte avec un retard total de 1ms, par exemple, aura un pic d2 dt désagréable lorsque le changement d'entrée, et 1ms plus tard, mais aura la Minimum possible d dt pour un filtre avec un retard total de 1ms). Si vous avez vraiment besoin de réduire vos besoins en mémoire, et vous ne vous occupez pas de votre réponse impulsionnelle étant une exponentielle (au lieu d'une impulsion rectangulaire), je voudrais aller pour un filtre de moyenne mobile exponentielle . Je les utilise largement. Avec ce type de filtre, vous n'avez pas besoin de tampon. Vous n'avez pas à stocker N échantillons passés. Juste un. Ainsi, vos exigences de mémoire sont réduites par un facteur de N. En outre, vous n'avez pas besoin de division pour cela. Seulement multiplications. Si vous avez accès à l'arithmétique à virgule flottante, utilisez des multiplications en virgule flottante. Sinon, effectuez des multiplications entières et décalez vers la droite. Cependant, nous sommes en 2012, et je vous recommande d'utiliser des compilateurs (et des MCU) qui vous permettent de travailler avec des nombres à virgule flottante. En plus d'être plus efficace de mémoire et plus rapide (vous n'avez pas à mettre à jour des éléments dans un tampon circulaire), je dirais qu'il est également plus naturel. Car une réponse impulsionnelle exponentielle correspond mieux à la façon dont la nature se comporte, dans la plupart des cas. Une question avec le filtre IIR comme presque touché par olin et supercat mais apparemment méprisé par d'autres est que l'arrondissement vers le bas introduit une certaine imprécision (et potentiellement biais troncature). En supposant que N est une puissance de deux et que seule une arithmétique entière est utilisée, le droit de décalage élimine systématiquement les LSB du nouvel échantillon. Cela signifie que la durée de la série pourrait jamais être, la moyenne ne prendra jamais en compte. Par exemple, supposons une série lentement décroissante (8,8,8,8,7,7,7,7,7,6,6) et supposons que la moyenne est en effet de 8 au début. Le premier échantillon amènera la moyenne à 7, quelle que soit la force du filtre. Juste pour un échantillon. Même histoire pour 6, etc Maintenant, pensez à l'inverse. La série monte. La moyenne va rester sur 7 pour toujours, jusqu'à ce que l'échantillon est assez grand pour le faire changer. Bien sûr, vous pouvez corriger le biais en ajoutant 1 2N 2, mais cela ne résoudra pas vraiment le problème de précision. Dans ce cas la série décroissante restera éternellement à 8 jusqu'à ce que l'échantillon soit 8-1 2 (N 2). Pour N4 par exemple, tout échantillon au-dessus de zéro maintiendra la moyenne inchangée. Je crois qu'une solution pour cela impliquerait de détenir un accumulateur des LSBs perdus. Mais je n'ai pas fait assez loin pour avoir le code prêt, et je ne suis pas sûr qu'il ne nuirait pas à la puissance IIR dans certains autres cas de série (par exemple, si 7,9,7,9 serait moyenne à 8 alors). Olin, votre cascade à deux étages aurait aussi besoin d'une explication. Voulez-vous dire tenir deux valeurs moyennes avec le résultat de la première alimentation dans la seconde dans chaque itération. Quel est le bénéfice de ce que j'ai récemment appris sur les progrès dans la réponse à ce post. Et je me demandais comment je pourrais les utiliser pour calculer un filtre de moyenne mobile plus efficacement que ce que j'ai proposé dans ce post (en utilisant des filtres de convolution). C'est ce que j'ai jusqu'ici. Il prend une vue de la matrice d'origine, puis le roule de la quantité nécessaire et somme les valeurs du noyau pour calculer la moyenne. Je suis conscient que les bords ne sont pas manipulés correctement, mais je peux m'en occuper par la suite. Existe-t-il un moyen meilleur et plus rapide L'objectif est de filtrer des tableaux à virgule flottante de grande taille jusqu'à 5000x5000 x 16 couches en taille, une tâche que scipy. ndimage. filters. convolve est assez lente à. Notez que je recherche une connectivité 8 voisins, c'est-à-dire un filtre 3x3 prend la moyenne de 9 pixels (8 autour du pixel focal) et attribue cette valeur au pixel de la nouvelle image. EDIT Clarification sur la façon dont je vois ce fonctionnement: utiliser stridetricks pour générer un tableau comme 0,1,2,1,2,3,2,3,4. Qui correspond à la rangée supérieure du noyau du filtre. Rouler le long de l'axe vertical pour obtenir la rangée du milieu du noyau 10,11,12,11,12,13,13,14,15. Et l'ajouter au tableau que j'ai obtenu 1) Répétez pour obtenir la rangée inférieure du noyau 20,21,22,21,22,23,22,23,24. . A ce point, je prends la somme de chaque ligne et la divise par le nombre d'éléments dans le filtre, me donnant la moyenne pour chaque pixel, (décalé de 1 ligne et 1 col, et avec quelques bizarreries autour des bords, mais je peux Prendre soin de cela plus tard). Ce que j'espérais, c'est une meilleure utilisation de stridetricks pour obtenir les 9 valeurs ou la somme des éléments du noyau directement, pour l'ensemble du tableau, ou que quelqu'un puisse me convaincre d'une autre méthode plus efficace. Demandé 8 fév 11 à 18:05 Pour ce que sa valeur, heres comment youd le faire à l'aide de fantaisie striding tricks. J'allais poster cela hier, mais j'ai été distrait par le travail réel. ) Paul amp eat tous les deux ont de belles implémentations en utilisant diverses autres façons de le faire. Juste pour continuer les choses à partir de la question précédente, je figure Id post l'équivalent en N-dimension. Vous ne serez pas capable de battre significativement les fonctions scipy. ndimage pour les tableaux 1D, cependant. (Scipy. ndimage. uniformfilter devrait battre scipy. ndimage. convolve.) De plus, si vous essayez d'obtenir une fenêtre de déplacement multidimensionnelle, vous risquez d'avoir l'utilisation de mémoire exploser chaque fois que vous par inadvertance faire une copie de votre tableau. Alors que le tableau de roulement initial est juste une vue dans la mémoire de votre tableau d'origine, toutes les étapes intermédiaires qui copient le tableau fera une copie qui est des ordres de grandeur supérieure à votre tableau d'origine (c'est-à-dire que vous travaillez avec un tableau original 100x100 (Pour une taille de filtre de (3,3)) sera 98x98x3x3 mais utilisera la même mémoire que l'original. Cependant, toutes les copies utilisera la quantité de mémoire qu'un tableau 98x98x3x3 complète). Fondamentalement, en utilisant le fou Striding tricks est idéal pour lorsque vous voulez vectoriser les opérations de fenêtre en mouvement sur un seul axe d'un ndarray. Il rend vraiment facile de calculer des choses comme une déviation mobile, etc avec très peu de frais généraux. Lorsque vous voulez commencer à le faire le long de plusieurs axes, c'est possible, mais vous êtes généralement mieux avec des fonctions plus spécialisées. (Comme scipy. ndimage etc) De toute façon, heres comment vous le faire: Donc ce que nous obtenons quand nous faisons b rollingwindow (a, filtsize) est un tableau 8x8x3x3, thats en fait une vue dans la même mémoire que le 10x10 original Tableau Nous pourrions avoir aussi facilement utilisé des tailles de filtres différentes le long d'axes différents ou exploités uniquement le long d'axes sélectionnés d'une matrice N-dimensionnelle (c.-à-filtsize (0,3,0,3) sur un tableau 4 dimensions nous donnerait une vue en 6 dimensions ). Nous pouvons alors appliquer une fonction arbitraire au dernier axe à plusieurs reprises pour calculer efficacement les choses dans une fenêtre en mouvement. Cependant, parce que le stockage des tableaux temporaires qui sont beaucoup plus grand que notre tableau d'origine sur chaque étape de moyenne (ou std ou quoi que ce soit), ce n'est pas du tout la mémoire efficace Il ne sera pas aussi terriblement rapide. L'équivalent pour ndimage est juste: Cela va gérer une variété de conditions aux limites, faire le flou en place sans nécessiter une copie temporaire du tableau, et être très rapide. Les astuces sont un bon moyen d'appliquer une fonction à une fenêtre mobile le long d'un axe, mais ils ne sont pas un bon moyen de le faire le long de plusieurs axes, habituellement. Juste mon 0,02, en tout cas. Très bien mis: Les astuces de passage sont un bon moyen d'appliquer une fonction à une fenêtre mobile le long d'un axe, mais ils ne sont pas un bon moyen de le faire le long de plusieurs axes, habituellement. Et bien sûr, votre explication de la mémoire est importante. Le type de résumé de votre réponse (au moins pour moi) est: 39don39t aller trop loin la pêche, la prise quarenteed est allready dans scipy39. Thanks ndash eat Feb 9 11 at 16:37 Merci, Joe, pour cette réponse. Dans la fenêtre de roulage, le if not hasattr (.): Retourne rollwindowlastaxis (.) Plutôt que rollingwindow. Ndash unutbu Feb 12 11 at 16:47 Im pas assez familier avec Python pour écrire le code pour cela, mais les deux meilleures façons d'accélérer les convolutions est de séparer le filtre ou d'utiliser la transformée de Fourier. Filtre séparé. La convolution est O (MN), où M et N sont respectivement le nombre de pixels dans l'image et le filtre. Puisque le filtrage moyen avec un noyau 3-par-3 équivaut à filtrer d'abord avec un noyau 3 par 1 puis un noyau 1 par 3, vous pouvez obtenir (33) (33) 30 amélioration de la vitesse par convolution consécutive avec Deux noyaux 1-d (cela obtient de mieux en mieux que le noyau devient plus grand). Vous pouvez toujours être en mesure d'utiliser trucs stride ici, bien sûr. Transformée de Fourier. Conv (A, B) est équivalent à ifft (fft (A) fft (B)). À-dire une convolution dans l'espace direct devient une multiplication dans l'espace de Fourier, où A est votre image et B est votre filtre. Puisque la multiplication (élément-sage) des transformées de Fourier nécessite que A et B soient de la même taille, B est un tableau de taille (A) avec votre noyau au centre de l'image et des zéros partout ailleurs. Pour placer un noyau 3-par-3 au centre d'un tableau, vous pouvez avoir à pad A à la taille impaire. Selon votre implémentation de la transformée de Fourier, cela peut être beaucoup plus rapide que la convolution (et si vous appliquez le même filtre plusieurs fois, vous pouvez pré-calculer fft (B). Répondue Feb 9 11 at 15:27 Pour ce qu'il vaut la peine, en python, ceux-ci sont implémentés dans scipy. ndimage. uniformfilter et scipy. signal. fftconvolve. respectivement. Ndash Joe Kington Feb 9 11 at 15:44 Jonas: Cool L'approche filtre séparé fonctionne bien, comme vous le dites, il économise plus de temps que la taille du noyau augmente. Pour un tableau 5000x5000, à une taille de noyau 11x11, je reçois 7.7s pour la convolution 2d en utilisant ndimage. convolve et 2.0s pour deux convolutions 1d en utilisant ndimage. convolve1d. Pour votre deuxième solution ce qui est B ndash Benjamin Feb 9 11 at 16:02 Une chose que je suis confiant doit être fixé est votre tableau de vue b. Il a quelques éléments de la mémoire non alloué, donc vous obtiendrez des accidents. Étant donné votre nouvelle description de votre algorithme, la première chose qui a besoin de fixation est le fait que vous êtes en cours de route en dehors de l'allocation d'un: Parce que Im toujours pas tout à fait saisir la méthode et il semble y avoir des moyens plus simples pour résoudre le problème, Pour mettre cela ici: ce qui semble juste comme l'approche simple. La seule opération étrangère est qu'elle n'a allouer et remplir B qu'une seule fois. Toute l'addition, la division et l'indexation doit être fait indépendamment. Si vous faites 16 bandes, vous n'avez encore besoin d'allouer B qu'une fois si votre intention est d'enregistrer une image. Même si ce n'est pas une aide, il pourrait préciser pourquoi je ne comprends pas le problème, ou au moins servir de point de repère pour le temps les accélérations d'autres méthodes. Cela fonctionne en 2,6 secondes sur mon ordinateur portable sur un tableau 5k x 5k de float64s, dont 0,5 est la création de B a répondu Feb 8 11 à 19:31 Ce n'est pas si clair votre question, mais Im supposant maintenant que vous allez améliorer Significativement ce type de moyennage. Maintenant, quel type d'amélioration de la performance vous attendriez réellement Mise à jour: Tout d'abord, un avertissement: le code dans son état actuel ne s'adapte pas correctement à la forme du noyau. Cependant thats pas mon principal souci en ce moment (de toute façon l'idée est là allready comment s'adapter correctement). J'ai juste choisi la nouvelle forme d'un 4D A intuitivement, pour moi, il est vraiment logique de penser à un centre du noyau 2D à être centré à chaque position de grille de l'original 2D A. Mais cette mise en forme 4D peut ne pas être vraiment le meilleur. Je pense que le vrai problème ici est la performance de sommation. Il faut être en mesure de trouver le meilleur ordre (de la 4D A) afin d'utiliser pleinement votre architecture cache de machines. Cependant, cet ordre peut ne pas être le même pour les petits tableaux qui coopère avec le cache de vos machines et ceux plus grands, qui ne (du moins pas si simple). Mise à jour 2: Voici une version légèrement modifiée de mf. De toute évidence, il vaut mieux remodeler une matrice 3D d'abord et ensuite au lieu de la sommation juste do produit point (cela a l'avantage de tous, ce noyau peut être arbitraire). Cependant son encore quelques 3x plus lent (sur ma machine) que Pauls mis à jour la fonction. Répondre fév 8 11 at 19:33