Question

我正在尝试使用Python和Numpy / Scipy来实现图像处理算法。分析器告诉我在下面的函数（经常调用）中花费了大量时间，它告诉我两个图像之间的平方差异总和

def ssd(A,B):
    s = 0
    for i in range(3):
        s += sum(pow(A[:,:,i] - B[:,:,i],2))
    return s

我怎样才能加快速度？感谢。

Answer 1

只需

s = numpy.sum((A[:,:,0:3]-B[:,:,0:3])**2)

（如果形状总是（，，3），我预计可能只有sum((A-B)**2)

您还可以使用sum方法：((A-B)**2).sum()

右？

Answer 2

我不知道具有电源2的pow（）功能是否会很快。尝试：

def ssd(A,B):
    s = 0
    for i in  range(3):
        s += sum((A[:,:,i] - B[:,:,i])*A[:,:,i] - B[:,:,i])
    return s

Answer 3

我很困惑你为什么要服用i in range(3)。这应该是整个阵列，还是仅仅是一部分？

总的来说，您可以使用numpy中定义的操作替换大部分内容：

def ssd(A,B):
    squares = (A[:,:,:3] - B[:,:,:3]) ** 2
    return numpy.sum(squares)

这样您可以执行一次操作而不是三次操作，使用numpy.sum可以比内置sum更好地优化添加。

Answer 4

继Ritsaert Hornstra的答案得到2个负面评价（诚然，我没有看到它的原始形式......）

事实确实如此。

对于大量迭代，使用'**'运算符或pow（x，y）方法通常需要两倍的时间来手动将这些对相乘。如果必要的话，使用math.fabs（）方法，如果它抛出NaN（有时特别是在使用int16s时），并且它仍然只需要给出两个函数的大约一半的时间。

对于我所知道的原始问题并不重要，但绝对值得了解。

Answer 5

你可以尝试这个：

dist_sq = np.sum((A[:, np.newaxis, :] - B[np.newaxis, :, :]) ** 2, axis=-1)

可以在这里找到更多细节（'k-Nearest Neighbors'示例）： https://jakevdp.github.io/PythonDataScienceHandbook/02.08-sorting.html

Answer 6

只需提及一个人也可以使用np.dot：

def ssd(A,B):
  dif = A.ravel() - B.ravel()
  return np.dot( dif, dif )

这可能比使用np.sum和**2的方法更快，更准确，但如果要沿指定的轴计算ssd，则不起作用。在这种情况下，可能会有使用np.einsum的神奇下标公式。

Answer 7

在Ruby语言中，您可以通过这种方式实现这一目标

def diff_btw_sum_of_squars_and_squar_of_sum(from=1,to=100) # use default values from 1..100. 
((1..100).inject(:+)**2) -(1..100).map {|num| num ** 2}.inject(:+)
end

diff_btw_sum_of_squars_and_squar_of_sum #call for above method

numpy / scipy中的平方差异（SSD）之和

7 个答案: