本文介绍一种基于 scipy.linalg.block_diag 的通用方法，用于将两个二维数组沿对角线方向可控重叠拼接，并对重叠区域元素自动取平均，支持指定重叠宽度，且天然兼容稀疏矩阵扩展。
本文介绍一种基于 scipy.linalg.block_diag 的通用方法，用于将两个二维数组沿对角线方向可控重叠拼接，并对重叠区域元素自动取平均，支持指定重叠宽度，且天然兼容稀疏矩阵扩展。
在科学计算与信号处理中，常需将多个局部数据块（如分段矩阵、滑动窗口结果或子域解）按一定偏移量“缝合”成一个全局结构。不同于标准的块对角拼接（block_diag），实际场景往往要求相邻块存在可控重叠（overlap），并在重叠区域进行加权融合（如简单平均）。本文提供一种简洁、可扩展、内存友好的实现方案。
核心思想：掩码驱动的加权叠加
该方法不显式构造全尺寸稠密矩阵，而是利用 block_diag 构建带零填充的稀疏结构，通过分子累加与分母计数双通道叠加，再逐元除法完成平均——本质是“加权和 / 权重和”，其中权重为参与叠加的块数量（0 或 1 或 2）。
给定两个形状一致的方阵 A 和 B（此处均为 3×3），目标是实现 overlap=2 的重叠拼接（即中间 2 行/列重合），最终输出为 4×4 矩阵：
import numpy as np from scipy.linalg import block_diag A = np.linspace(1, 9, 9).reshape(3, 3) B = np.linspace(10, 18, 9).reshape(3, 3) overlap = 2
✅ 步骤详解
-
计算补零尺寸：为使 A 的右下角与 B 的左上角重叠 overlap 行列，需在 A 后添加 len(B) - overlap 行/列零垫，在 B 前添加 len(A) - overlap 行/列零垫：
pad_A = A.shape[0] - overlap # = 1 pad_B = B.shape[0] - overlap # = 1 ZerosA = np.zeros((pad_A, pad_A)) ZerosB = np.zeros((pad_B, pad_B))
-
构建分子（Sum）与分母（Denom）矩阵：
- Sum：A 左上块 + B 右下块 的块对角叠加（重叠区自然相加）；
- Denom：对应位置的“参与计数”矩阵（1 表示该位置被 A 或 B 覆盖，2 表示被两者同时覆盖）。
Sum = block_diag(A, ZerosA) + block_diag(ZerosB, B) Denom = block_diag(np.ones_like(A), ZerosA) + block_diag(ZerosB, np.ones_like(B))
-
安全平均：使用 np.where 避免除零，仅对 Denom > 0 区域执行除法：
result = np.where(Denom > 0, Sum / Denom, 0.0)
完整可运行示例：
import numpy as np from scipy.linalg import block_diag A = np.linspace(1, 9, 9).reshape(3, 3) B = np.linspace(10, 18, 9).reshape(3, 3) overlap = 2 pad_A = A.shape[0] - overlap pad_B = B.shape[0] - overlap ZerosA = np.zeros((pad_A, pad_A)) ZerosB = np.zeros((pad_B, pad_B)) Sum = block_diag(A, ZerosA) + block_diag(ZerosB, B) Denom = block_diag(np.ones_like(A), ZerosA) + block_diag(ZerosB, np.ones_like(B)) result = np.where(Denom > 0, Sum / Denom, 0.0) print(result) # 输出： # [[ 1. 2. 3. 0. ] # [ 4. 7.5 8.5 12. ] # [ 7. 10.5 11.5 15. ] # [ 0. 16. 17. 18. ]]
✅ 关键优势与注意事项
- 稀疏友好：所有操作（block_diag、加法、np.ones_like）均可直接替换为稀疏等价物（如 scipy.sparse.bmat、scipy.sparse.eye），无需转稠密，适合大规模问题；
- 灵活重叠：overlap 参数可设为 0（退化为 block_diag）、1、2…直至 min(len(A), len(B))，超出则自动截断；
- 非方阵兼容：稍作修改即可支持 m×n 与 p×q 矩阵的行/列方向重叠（需分别计算行/列重叠尺寸）；
- 加权扩展：若需加权平均（如 α*A + (1−α)*B），只需将 Sum 改为 α*block_diag(A, ZerosA) + (1−α)*block_diag(ZerosB, B)，Denom 保持不变；
- 内存效率：全程避免全尺寸中间数组，尤其在稀疏实现下，存储与计算复杂度均与非零元数量线性相关。
总结
本方案以“结构化块叠加 + 掩码归一化”为核心，将重叠拼接抽象为可组合、可复用的线性代数操作。它不仅准确复现了需求中的平均融合行为，更提供了向稀疏计算、非均匀加权及高维推广的清晰路径，是构建分块算法、多分辨率矩阵合成或分布式数值求解器的理想基础组件。
