两个三维图像互信息python_python-使用numpy计算成对的互信息的最佳方法

对于m x n矩阵，计算所有两对列（n x n）的互信息的最佳（最快）方法是什么？

通过共同信息，我的意思是：

I（X，Y）= H（X）+ H（Y）-H（X，Y）

其中H（X）是X的香农熵。

目前，我正在使用np.arrays和np.vectorize计算联合（X，Y）和单个（X或Y）计数。 对于给定的矩阵A（例如250000 X 1000的浮点数矩阵），我正在执行嵌套for循环，

n = A.shape[1]

for ix = arange(n)

for jx = arange(ix+1,n):

matMI[ix,jx]= calc_MI(A[:,ix],A[:,jx])

当然，必须有更好/更快的方法来做到这一点吗？

顺便说一句，我也一直在寻找数组上列上的映射函数（列或行操作），但是还没有找到一个很好的通用答案。

这是我的完整实现，遵循Wiki页面中的约定：

import numpy as np

def calc_MI(X,Y,bins):

c_XY = np.histogram2d(X,Y,bins)[0]

c_X = np.histogram(X,bins)[0]

c_Y = np.histogram(Y,bins)[0]

H_X = shan_entropy(c_X)

H_Y = shan_entropy(c_Y)

H_XY = shan_entropy(c_XY)

MI = H_X + H_Y - H_XY

return MI

def shan_entropy(c):

c_normalized = c / float(np.sum(c))

c_normalized = c_normalized[np.nonzero(c_normalized)]

H = -sum(c_normalized* np.log2(c_normalized))

return H

A = np.array([[ 2.0, 140.0, 128.23, -150.5, -5.4 ],

[ 2.4, 153.11, 130.34, -130.1, -9.5 ],

[ 1.2, 156.9, 120.11, -110.45,-1.12 ]])

bins = 5 # ?

n = A.shape[1]

matMI = np.zeros((n, n))

for ix in np.arange(n):

for jx in np.arange(ix+1,n):

matMI[ix,jx] = calc_MI(A[:,ix], A[:,jx], bins)

尽管我的带有嵌套np.arrays循环的工作版本是否以合理的速度运行，但我想知道是否存在将np.vectorize应用于A的所有列（以计算它们的成对互信息）的最佳方法？

我也想知道：

是否存在有效的方法来映射函数以对np.arrays的列（或行）进行操作（可能像np.vectorize，看起来更像装饰器）？

对于此特定的计算（互信息），是否还有其他最佳实现？