Question

我对上一个问题进行了搜索，但没有找到优化代码的必要条件。

有关信息，我在Python 2.7上运行，但如果需要可以更改为3

我正在转换图像的每个像素，由于某些条件，我必须逐像素进行转换。因此，我在其中嵌套了if-elif-else语句的for循环，这需要很长时间才能运行。对于1536 x 2640的图像，整个代码需要约20秒的时间，而90％的时间都在这个double for循环内

我相信应该有更好的方式编写以下代码

  for pixel in range(width):
    for row in range(height):
      ADC = img_original[row, pixel]
      if ADC < 84:
        gain   = gain1
        offset = offset1
      elif ADC > 153: 
        gain   = gain3
        offset = offset3
      else:
        gain   = gain2
        offset = offset2

      Conv_ADC  = int(min(max(ADC * gain + offset, 0),255))
      img_conv[row, pixel] = Conv_ADC

感谢您的帮助

编辑以获取更多详细信息：

@Jean-FrançoisFabre是正确的，我将根据在0到255之间的哪个部分来应用三个不同的增益/偏移。但是该部分并不总是均匀分布，可以修改。也许要提供一些附加的上下文，我只是在图像上应用自定义S曲线以向上/向下移动像素值。而且图像中的每一列都有自己的S形曲线

我的增益1,2,3 /偏移1,2,3的值是浮点数。增益将始终为正，偏移量可以为负或正。我在宽度方向上每个像素都有一个单独的值，但在行方向上是相同的。

例如，第1列的所有像素都可以使用下表第一行的增益/偏移1,2,3。图像中第2列的所有像素将使用下表中第2行的增益/偏移量

Pixel   Gain1     Offset1    Gain2     Offset2   Gain3     Offset3
1       0.417722  24.911392  0.623188  7.652176  1.175676  -76.878357
2       0.43038   25.848103  0.623188  9.652176  1.148649  -70.743225
3       0.443038  23.784809  0.637681  7.434776  1.175676  -74.878357
4       0.443038  22.784809  0.652174  5.217384  1.175676  -74.878357
5       0.455696  23.721519  0.637681  8.434776  1.202703  -78.013519
6       0.455696  21.721519  0.637681  6.434776  1.243243  -86.216217
7       0.455696  22.721519  0.623188  8.652176  1.216216  -82.081085
8       0.443038  22.784809  0.623188  7.652176  1.22973   -85.148651
... until pixel 2640 in width direction

我将研究@Jean-FrançoisFabre解决方案，但与此同时，我也正在研究使用一些numpy方法。

一旦我获得了计算速度更快的东西，我会在这里发布我的发现

Answer 1

由于您的值介于0到255之间，并且边界是均匀分布的，因此可以使用以下技巧：

您似乎想应用3种不同的增益，具体取决于您位于0-255范围的前三分之一，后三分之一还是后三分之一。

为什么不通过除以85（255/3）来计算索引？

简单的概念证明：

gainsoffsets = [(10,1),(20,2),(30,3),(30,3)] # [(gain1,offset1),(gain2,offset2),(gain3,offset3)] + extra corner case for value 255

for value in 84,140,250:
    index = value // 85
    gain,offset = gainsoffsets[index]
    print(gain,offset)

结果：

10 1
20 2
30 3

在此循环中，只有一个除法，没有if。应该更快（除了numpy方法之外）

您可以使用更精确的查询表（也可以通过生成256个元组来避免除法）：

gainsoffsets = [(10,1)]*85+[(20,2)]*85+[(30,3)*86]  # add more intervals for more thresholds

Answer 2

尝试使用查找表：您预先计算了[0,255]范围内的所有转换ADC值，并且循环体将简化

  for pixel in range(width):
    for row in range(height):
      img_conv[row, pixel]= LUT[img_original[row, pixel]]

Answer 3

这是我用来删除2个for循环的最终实现。每张图像下降到大约1〜2秒

我正在创建3个数组，当它不在我想要的范围内时，我将内容替换为0。然后对每个增益进行乘法和偏移，然后再将其相加

  height = img_original.shape[0]
  width  = img_original.shape[1]
  print 'height = ', height, 'width = ', width

  # create temp 3 2D-arrays
  img1 = np.array(img_original,dtype=np.int)
  img2 = np.array(img_original,dtype=np.int)
  img3 = np.array(img_original,dtype=np.int)

  #create the 2D array for gain/offset based on 1D array
  # csv array acquire from .csv file, INDEX_xx for column to read
  array_gain1    = np.tile(csv[1:, INDEX_G1],(height,1))
  array_offset1  = np.tile(csv[1:, INDEX_O1],(height,1))

  array_gain2   = np.tile(csv[1:, INDEX_G2],(height,1))
  array_offset2 = np.tile(csv[1:, INDEX_O2],(height,1))

  array_gain3    = np.tile(csv[1:, INDEX_G3],(height,1))
  array_offset3  = np.tile(csv[1:, INDEX_O3],(height,1))

  # replace the content by 0 when not in the desired zone
  np.place(img1,img_original >= G2_TARGET, 0) 
  np.place(img2,img_original < G2_TARGET,0)   
  np.place(img2,img_original > G1_TARGET,0)   
  np.place(img3,img_original <= G1_TARGET, 0) 

  np.place(array_offset1,img_original >= G2_TARGET, 0)
  np.place(array_offset2,(img_original < G2_TARGET), 0)
  np.place(array_offset2,(img_original > G1_TARGET), 0)
  np.place(array_offset3,img_original <= G1_TARGET, 0)

  # apply the gain/offset for each zone
  img1 = np.array(img1 * array_gain1 + array_offset1, dtype=np.uint8)
  img2 = np.array(img2 * array_gain2 + array_offset2, dtype=np.uint8)
  img3 = np.array(img3 * array_gain3 + array_offset3, dtype=np.uint8)

  # recrete the whole image
  img_conv = np.clip(img1 + img2 + img3, 0, 255)

Python if-elif-else运行时优化

3 个答案: