3D Numpy数组带边界处理的加权移动平均实现问询

核心思路 #

利用scipy.ndimage.convolve实现高效卷积操作，通过两次卷积分别计算：

• 分子：原数组与权重核的卷积，得到每个位置的加权和
• 分母：全1数组与权重核的卷积，得到每个位置的有效权重总和（用于归一化）
  最后将分子除以分母，自动完成边缘/角落的有效邻域加权平均计算，完全避免手动循环造轮子。

完整实现代码 #

import numpy as np
from scipy.ndimage import convolve

# 生成测试数据
np.random.seed(1)
A = np.random.uniform(size=(10, 10, 10))

# 定义自定义3D权重核
Weights_of_3D_Kernel = np.array([[
    [0.1, 0.1, 0.1, 0.1, 0.1],
    [0.1, 0.3, 0.5, 0.3, 0.1],
    [0.1, 0.5, 0.7, 0.5, 0.1],
    [0.1, 0.3, 0.5, 0.3, 0.1],
    [0.1, 0.1, 0.1, 0.1, 0.1]],
    [[0.1, 0.1, 0.1, 0.1, 0.1],
    [0.1, 0.5, 0.7, 0.5, 0.1],
    [0.1, 0.7, 1, 0.7, 0.1],    # 源点权重为1
    [0.1, 0.5, 0.7, 0.5, 0.1],
    [0.1, 0.1, 0.1, 0.1, 0.1]],
    [[0.1, 0.1, 0.1, 0.1, 0.1],
    [0.1, 0.3, 0.5, 0.3, 0.1],
    [0.1, 0.5, 0.7, 0.5, 0.1],
    [0.1, 0.3, 0.5, 0.3, 0.1],
    [0.1, 0.1, 0.1, 0.1, 0.1]]
])

# 计算加权和（分子）：边界外填充0，自动忽略超出数组的核部分
weighted_sum = convolve(A, Weights_of_3D_Kernel, mode='constant')

# 计算有效权重总和（分母）
weight_total = convolve(np.ones_like(A), Weights_of_3D_Kernel, mode='constant')

# 得到最终加权平均结果
weighted_average = weighted_sum / weight_total

关键细节说明 #

• 边缘处理：mode='constant'会在数组边界外填充0，卷积时这些区域的权重不会被计入总和，因此weight_total自动得到当前点实际可用的邻域权重之和，而非核的总权重，完美适配边缘/角落的计算需求。
• 效率优势：scipy.ndimage.convolve基于底层优化实现，比手动遍历每个点快数个数量级，完全符合Pythonic"复用现有工具"的原则。
• 核对齐：权重核的中心（权重为1的位置）会自动与当前计算的点对齐，无需手动调整窗口位置。

内容的提问来源于stack exchange，提问作者2023_resolution