构建重叠数组的加权拼接：使用 SciPy 实现矩阵区域对齐与平均融合

本文介绍如何在 numpy/scipy 中实现两个二维数组的可控重叠拼接——通过指定重叠宽度，使对应位置元素取平均，非重叠区保留原值，并支持稀疏结构扩展。

在科学计算与图像处理中，常需将多个局部数据块（如分块矩阵、滑动窗口结果或分布式子域解）沿某一维度“缝合”（stitch）为统一结构。不同于 scipy.linalg.block_diag 的零填充对角拼接，真实场景往往要求可控重叠与平滑过渡：例如，两个 3×3 矩阵沿行/列方向重叠 2 个单元时，重叠区域的对应元素应加权平均（默认等权），而非硬切换或截断。

以下以两个 3×3 数组为例，演示如何构造一个 4×4 的重叠融合矩阵：

import numpy as npfrom scipy.linalg import block_diagA = np.linspace(1, 9, 9).reshape(3, 3)B = np.linspace(10, 18, 9).reshape(3, 3)overlap = 2 # 指定重叠行/列数（此处为 2）

核心思想是：

将 A 左上对齐、B 右下对齐，使二者在中间 overlap × overlap 区域重叠； 构造两个掩模矩阵（Sum 和 Denom），分别记录各位置的数值总和与参与求和的矩阵个数； 利用 np.where 对非零分母位置执行逐元素除法，实现自动平均。

具体实现如下：

# 计算填充尺寸（确保 A 在左上、B 在右下，重叠为 overlap）pad_A = A.shape[0] – overlap # A 下方/右侧需补零行数pad_B = B.shape[0] – overlap # B 上方/左侧需补零行数# 构建零填充块（保持形状一致）ZerosA = np.zeros((pad_A, pad_A))ZerosB = np.zeros((pad_B, pad_B))# 构造叠加矩阵：A 占左上，B 占右下 → 重叠区自动相加Sum = block_diag(A, ZerosA) + block_diag(ZerosB, B)# 构造计数矩阵：1 表示该位置被 A 或 B 覆盖，重叠区为 2Denom = block_diag(np.ones_like(A), ZerosA) + block_diag(ZerosB, np.ones_like(B))# 安全平均：仅对 Denom > 0 的位置执行除法，其余置 0Out = np.where(Denom > 0, Sum / Denom, 0)print(Out)

输出结果为：

[[ 1. 2. 3. 0. ] [ 4. 7.5 8.5 12. ] [ 7. 10.5 11.5 15. ] [ 0. 16. 17. 18. ]]

✅ 关键特性说明：

重叠可控：仅需修改 overlap 参数即可调整融合宽度； 自动对齐：算法隐式假设 A 左上锚定、B 右下锚定，总输出尺寸为 (A.shape[0] + B.shape[0] – overlap) × (A.shape[1] + B.shape[1] – overlap)； 稀疏友好：所有操作（block_diag、加法、条件赋值）均可迁移到 scipy.sparse 格式（如 scipy.sparse.bmat 替代 block_diag，spdiags 构建稀疏掩模），避免稠密内存爆炸； 可扩展加权：若需非等权平均（如高斯衰减权重），可将 np.ones_like(…) 替换为自定义权重矩阵，再同步更新 Sum 与 Denom。

⚠️ 注意事项：

当 overlap ≤ 0 时，退化为无重叠拼接（需额外处理边界）； 输入矩阵需满足 A.shape == B.shape，否则需先做尺寸归一化（如 padding 或 cropping）； 若需沿不同轴重叠（如仅行重叠、列不重叠），应分别构造水平/垂直 block_diag 结构，或改用 np.pad + 索引赋值实现更灵活布局。

该方法兼顾简洁性与工程鲁棒性，适用于多分辨率融合、分布式 PDE 求解器结果拼接、以及神经网络特征图 stitching 等典型场景。