在python中有效的二维互相关?

我决定改为通过FFT来实现它。

def fft_xcorr2D(x):
    # Over axes (-2,-1) (default in the fft2 function)
    ## Pad because of cyclic (circular?) behavior of the FFT
    x = np.fft2(np.pad(x,([0,0],[0,0],[0,34],[0,34]),mode='constant'))

    # Conjugate for correlation, not convolution (Conv. Theorem)
    x[:,1,:,:] = np.conj(x[:,1,:,:])

    # Over axes (-2,-1) (default in the ifft2 function)
    ## Multiply elementwise over 2:nd axis (2 image bands for me)
    ### fftshift over rows and column over images
    corr = np.fft.fftshift(np.ifft2(np.prod(x,axis=1)),axes=(-2,-1))

    # Return after removing padding
    return np.abs(corr)[:,3:-2,3:-2]

呼叫通过:

ts=fft_xcorr2D(X)

如果有人想使用它: 我的输入是4d数组: (N, 2, #Rows, #Cols)

例如。 (500, 2, 30, 30) :500个图像,2个波段(例如极化),共 30x30 像素

如果输入不同,请根据需要调整填充。 检查以使输入顺序与我的相同,否则更改中的轴参数 fft2 和 ifft2 函数、np.prod和 fftshift . 我用 快速换档 为了得到中间的最大值(否则在角落),所以如果这不是你想要的,要小心。

为什么是最大值?从技术上讲,它不一定是,但就我的目的而言,它是。 快速换档 用于获取看起来像您习惯的相关性。否则,象限将被“内转外”。如果你不明白我的意思,把 快速换档 (只是 快速换档 部分,而不是它的参数),像以前一样调用函数,并绘制它。

之后,它应该可以使用了。 Possibly x.prod(axis=1) is faster than np.prod(x,axis=1) 但这是一个古老的职位。我试了之后没有什么进步。