Question

我已经进行了一些搜索，但没有找到完全相同的问题 - 我找到的解决方案也没有适应性。

我有一个图像，由一个形状为(l1,l2,3)的numpy数组表示其中l1，l2是整数，3是因为RGB。

由于原因，我想改变基础，这意味着将矩阵P应用于所有RGB矢量。请注意，P的形状为(3,3)。

我写过：

def change_base(Image,P):
    Image_copie=np.zeros(Image.shape)

    for i in range(Image_copie.shape[0]):
        for j in range(Image_copie.shape[1]):
            Image_copie[i,j]=np.dot(P,Image[i,j])

    return Image_copie

显然，它很有效，但它很丑陋且非常慢。

你们有没有解决方案，也许使用numpy？我没有使用opencv ..！

谢谢！

Answer 1

您正在减少两个输入Image和P上的最后一个轴。因此，您可以使用np.tensordot，就像这样 -

np.tensordot(Image,P,axes=(-1,-1))

这也可以表示为np.dot，在它之前和之后进行一些重塑，就像这样 -

Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))

还可以使用np.einsum进行此类缩减操作，如此 -

np.einsum('ijk,lk->ijl',Image,P)

对于性能而言，作为单独的还原操作，没有轴对齐要求，dot-based解决方案对于大型阵列会更快，但对于小到适当大小的阵列，einsum可能会更好。< / p>

运行时测试

案例＃1：

In [46]: # Inputs
    ...: Image = np.random.randint(0,255,(256,256,3))
    ...: P = np.random.randint(0,255,(3,3))
    ...: 

In [47]: %timeit change_base(Image,P)
    ...: %timeit np.tensordot(Image,P,axes=(-1,-1))
    ...: %timeit Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))
    ...: %timeit np.einsum('ijk,lk->ijl',Image,P)
    ...: 
1 loops, best of 3: 206 ms per loop
100 loops, best of 3: 3.28 ms per loop
100 loops, best of 3: 3.22 ms per loop
100 loops, best of 3: 3.06 ms per loop

案例＃2：

In [48]: # Inputs
    ...: Image = np.random.randint(0,255,(512,512,3))
    ...: P = np.random.randint(0,255,(3,3))
    ...: 

In [49]: %timeit change_base(Image,P)
    ...: %timeit np.tensordot(Image,P,axes=(-1,-1))
    ...: %timeit Image.reshape(-1,3).dot(P.T).reshape(Image.shape[:2]+(-1,))
    ...: %timeit np.einsum('ijk,lk->ijl',Image,P)
    ...: 
1 loops, best of 3: 845 ms per loop
100 loops, best of 3: 12.8 ms per loop
100 loops, best of 3: 12.7 ms per loop
100 loops, best of 3: 13.4 ms per loop

如何将矩阵应用于图像

1 个答案: