根据像素的位置有效地对每个像素应用函数
根据像素的位置有效地对每个像素应用函数
提问于 2019-05-09 21:09:12
我想高效地迭代给定图像的每个像素，并基于像素的位置，应用一个函数并将输出放在这个位置。
这是我尝试过的：
def point_gaussian_value(p1, p2, sigma=0.8):
x1, y1 = p1
x2, y2 = p2
return np.exp(-1 * (np.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2) / sigma ** 2))
point_annotation = np.zeros_like(sample).astype(np.float32)
for j in range(sample.shape[0]):
for k in range(sample.shape[1]):
value = point_gaussian_value(p1=(j, k), p2=(row[header[i]], row[header[i + 1]]))
point_annotation[j, k] = point_gaussian_value(p1=(j, k), p2=(20, 20))虽然它很天真，而且效率非常低，特别是对于大图像。我知道我可以向量化一个函数，这样所有的计算都可以并行高效地完成，但我不确定是否可以/如何向量化一个函数，该函数获得每个像素的位置。
回答 1
Stack Overflow用户
回答已采纳
发布于 2019-05-09 21:26:44
假设函数接收的是行和列的索引，您可以使用np.aranges作为x1和y1坐标，以向量化的方式直接计算所有值：
rows = np.arange(sample.shape[0])
cols = np.arange(sample.shape[1])
x2, y2 = (row[header[i]], row[header[i + 1]])
out = np.exp(-1 * (np.sqrt((x2 - rows[:,None])**2 + (y2 - cols)**2) / 0.8**2))我们还可以通过使用numexpr模块来加速计算：
import numexpr as ne
rows = np.arange(sample.shape[0])
cols = np.arange(sample.shape[1])
x2, y2 = (row[header[i]], row[header[i + 1]])
out = ne.evaluate('exp(-1 * sqrt((x2- rows2D)**2 + (y2- cols)**2) / 0.8**2)',
{'rows2D': rows[:,None]})快速检查和计时：
n_rows = 1000
n_cols = 1000
rows = np.arange(n_rows)
cols = np.arange(n_cols)
x2, y2 = 10, 12
out = ne.evaluate('exp(-1*sqrt((x2- rows2D)**2 + (y2- cols)**2) / 0.8**2)',
{'rows2D': rows[:,None]})
np.allclose(out, point_annotation, rtol=1e-5)
# Truedef current_approach(n_rows, n_cols, x2, y2):
point_annotation = np.zeros((n_rows,n_cols)).astype(np.float32)
for j in range(n_rows):
for k in range(n_cols):
value = point_gaussian_value(p1=(j, k), p2=(x2,y2))
point_annotation[j, k] = point_gaussian_value(p1=(j, k), p2=(x2,y2))
def approach_1(n_rows, n_cols, x2, y2):
rows = np.arange(n_rows)
cols = np.arange(n_cols)
out = np.exp(-1 * (np.sqrt((x2- rows[:,None])**2 + (y2- cols)**2) / 0.8**2))
def approach_2(n_rows, n_cols, x2, y2):
rows = np.arange(n_rows)
cols = np.arange(n_cols)
out = ne.evaluate('exp(-1*sqrt((x2- rows2D)**2 + (y2- cols)**2) / 0.8**2)',
{'rows2D': rows[:,None]})
%timeit current_approach(n_rows, n_cols, x2, y2)
# 10.7 s ± 471 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit approach_1(n_rows, n_cols, x2, y2)
# 59.3 ms ± 426 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit approach_2(n_rows, n_cols, x2, y2)
# 965 µs ± 43.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)使用第二种方法可以提高11000x的速度！
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56060188
复制相关文章
相似问题