Question

最近我写了算法来量化RGB图像。每个像素由（R，G，B）矢量表示，并且量化码本是一对三维矢量。需要将图像的每个像素映射到（例如，“替换为”）最接近欧氏距离的码本像素（更准确地说，是欧氏平方）。我这样做了：

class EuclideanMetric(DistanceMetric):
    def __call__(self, x, y):
        d = x - y
        return sqrt(sum(d * d, -1))

class Quantizer(object):
    def __init__(self, codebook, distanceMetric = EuclideanMetric()):
        self._codebook = codebook
        self._distMetric = distanceMetric

    def quantize(self, imageArray):
        quantizedRaster = zeros(imageArray.shape)

        X = quantizedRaster.shape[0]
        Y = quantizedRaster.shape[1]
        for i in xrange(0, X):
            print i
            for j in xrange(0, Y):
                dist = self._distMetric(imageArray[i,j], self._codebook)
                code = argmin(dist)
                quantizedRaster[i,j] = self._codebook[code]

        return quantizedRaster

......它的功能非常好，我的Pentium Core Duo 2.2 GHz，4 Gigs内存和2600 * 2700像素的图像差不多800秒:(

有没有办法对此进行一些优化？也许是其他算法或某些特定于Python的优化。

UPD ：我尝试使用平方欧几里德，但仍然花了很多时间。

Answer 1

一个简单的优化是放弃sqrt调用。 x与sqrt（x）是单调的，因为你不需要实际距离，只需要最小距离，而是使用x ^ 2。因为sqrt很贵所以应该有所帮助。

这种技巧在使用距离时会被大量使用。例如，如果您有距离阈值，则可以使用阈值^ 2并在距离计算中删除sqrt。实际上，只有在需要绝对距离时才需要sqrt。对于相对距离，请删除sqrt。

更新：可能需要进行算法更改。现在，您将每个码本矢量与每个像素进行比较。它会加快速度，减少距离计算的次数。

使用kd-tree可能会做得更好，这会减少从O（codebook）到O（log（codebook））的每个像素的搜索。我从来没有在python中做过这个，但是一些谷歌搜索给了一个可能有效的实现here。

Answer 2

您可以使用scipy.cluster.vq中的矢量量化函数vq。

Answer 3

如果X非常大，那么您打印的i相当多，这可能会严重影响性能。如需不太具体的答案，请继续阅读。

为了找出你的过程中的瓶颈在哪里，我建议一个时间装饰器，就像

一样。

from functools import wraps
import time

def time_this(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        finish = time.time()
        elapsed = (finish - start) * 1000
        print '{0}: {1} ms'.format(func.__name__, elapsed)
        return result
    return wrapper

我曾经在某个地方找到过这个，并且一直用它来弄清楚我的代码速度慢的地方。您可以将算法分解为一系列单独的函数，然后使用此装饰器修饰函数以查看每个函数调用需要多长时间。然后，这是一个摆弄哪些语句的函数，以查看改进装饰函数运行时间的函数。主要是你正在寻找两件事：1）需要很长时间才能执行的语句，或者2）执行时间不一定需要很长时间的语句，但这些语句执行的次数很多，性能的改善很小对整体表现影响很大。

祝你好运！

找到最近的矢量

3 个答案: