Question

对于我的图像处理项目之一，我需要使用关键点。为了计算它们，我发现OpenCV使用起来非常快捷方便。但是，当使用例如FAST算法计算图像的关键点时，我们会收到KeyPoint objects的数组。

当我得到这些关键点时，我想只取他们的坐标，而不是附加信息（角度等）。这些坐标将用于使用numpy进行多次计算。问题是从KeyPoint数组到numpy数组的转换时间。它占用总执行时间的大约60％。有任何建议如何改善下面的循环？

import cv2
import numpy as np

image_cv2 = cv2.imread("sample.jpg")
fast = cv2.FastFeatureDetector(threshold=25)
keypoints = fast.detect(image_cv2)

n = len(keypoints)
cd_x = np.zeros(n, dtype=np.int)
cd_y = np.zeros(n, dtype=np.int)
for i in xrange(0, n):
    cd_x[i] = keypoints[i].pt[0]
    cd_y[i] = keypoints[i].pt[1]

PS：我尝试使用np.vectorize，但我没有注意到任何改进。有关信息，图像的关键点数通常约为5000。

更新正如一些人所指出的那样，从关键点到numpy数组的简单分配应该非常快。经过一些测试，它确实非常快。例如，对于具有1个线程的275个图像的数据集，完整的执行时间为22.9s，关键点仅为0.2s-＆n;执行numpy，cv2.imread（）花费大约20s。

我的错误是同时使用太多线程，因为每个核心至少没有使用80％我一直在增加它们的数量，直到这个任意限制，这减慢了循环执行速度。谢谢大家让我睁开眼睛看看代码中其他地方的一个愚蠢的错误！

Answer 1

试用案例：

In [765]: class Keypoints(object):
    def __init__(self):
        self.pt=[1.,2.]
   .....:         
In [766]: keypoints=[Keypoints() for i in xrange(1000)]
In [767]: cd=np.array([k.pt for k in keypoints])
In [768]: cd
Out[768]: 
array([[ 1.,  2.],
       [ 1.,  2.],
       [ 1.,  2.],
       ..., 
       [ 1.,  2.],
       [ 1.,  2.],
       [ 1.,  2.]])
In [769]: cd_x=cd[:,0]

在timeit测试中，keypoints步骤与cd计算一样长，1ms。

但是2个更简单的迭代

cd_x=np.array([k.pt[0] for k in keypoints])
cd_y=np.array([k.pt[1] for k in keypoints])

需要一半的时间。我期待单次迭代可以节省时间。但在这些简单的情况下，理解本身只占用了一半的时间，剩下的就是创建数组。

In [789]: timeit [k.pt[0] for k in keypoints]
10000 loops, best of 3: 136 us per loop
In [790]: timeit np.array([k.pt[0] for k in keypoints])
1000 loops, best of 3: 282 us per loop

numpy数组的对象列表

1 个答案: