如何用Numpy实现无重叠2D滑动窗口（分块、均值池化）

核心思路 #

无重叠滑动窗口本质是将图像按k×k大小分块，直接对每个块计算均值。利用Numpy的矢量化操作或专用分块工具，完全避免Python循环带来的性能损耗。

方法1：纯Numpy实现（无需额外库） #

通过重塑数组形状，将原帧的前两个维度拆分为「块数×块大小」的结构，再对块内维度求均值。

代码示例 #

import numpy as np

# 构造测试帧：4×4×3（对应示例单通道矩阵扩展为3通道）
frame = np.array([
    [1, 2, 3, 4],
    [5, 6, 7, 8],
    [9, 10, 11, 12],
    [13, 14, 15, 16]
])[:, :, np.newaxis].repeat(3, axis=2)
k = 2

# 处理尺寸：若帧的宽高不能被k整除，自动截断到最近可整除的尺寸
n, m, c = frame.shape
n_trunc = (n // k) * k
m_trunc = (m // k) * k
frame_trunc = frame[:n_trunc, :m_trunc, :]

# 分块并计算均值
h_blocks = n_trunc // k  # 垂直方向的块数
w_blocks = m_trunc // k  # 水平方向的块数
# 重塑为 (垂直块数, 块高度k, 水平块数, 块宽度k, 通道数)
blocked_frame = frame_trunc.reshape(h_blocks, k, w_blocks, k, c)
# 在块的高度、宽度维度上求均值
mean_blocks = blocked_frame.mean(axis=(1, 3))

print("纯Numpy方法输出：")
print(mean_blocks)

方法2：用skimage的view_as_blocks（更直观） #

view_as_blocks是专门用于生成无重叠分块的工具，内部封装了stride_tricks的复杂步长计算，更易上手且不易出错。

代码示例 #

import numpy as np
from skimage.util import view_as_blocks

# 构造测试帧
frame = np.array([
    [1, 2, 3, 4],
    [5, 6, 7, 8],
    [9, 10, 11, 12],
    [13, 14, 15, 16]
])[:, :, np.newaxis].repeat(3, axis=2)
k = 2

# 生成无重叠块，块形状为(k, k, 3)
blocks = view_as_blocks(frame, block_shape=(k, k, 3))
# 对每个块的内部维度求均值
mean_blocks = blocks.mean(axis=(2, 3))

print("\nskview_as_blocks方法输出：")
print(mean_blocks)

输出说明 #

对于上述测试帧（k=2），输出结果为(2,2,3)的数组，每个元素对应一个2×2窗口的三通道均值：

[[[3.5 3.5 3.5]
  [5.5 5.5 5.5]]

 [[11.5 11.5 11.5]
  [13.5 13.5 13.5]]]

为什么as_strided容易出错？ #

手动使用as_strided需要精确计算数组的步长（stride），对于(n,m,3)的帧，元素步长、行步长、列步长的计算需考虑通道数，无重叠块的跨块步长还要乘以k。view_as_blocks已封装这一过程，避免手动计算出错。

内容的提问来源于stack exchange，提问作者gaviezri