Question

我想要裁剪一些图像，然后重新塑造。为了帮助我，我写了两个辅助函数：

def crop_images(images_data):
    cropped_images = []
    for image_data in images_data:
        image = Image.fromarray(image_data)
        cropped_image = np.asarray(image.crop((25,40,275,120)))
        cropped_images.append(cropped_image)
    return(np.array(cropped_images))

def resize_images(images_data):
    resized_images = []
    width, height = images_data.shape[2], images_data.shape[1]
    resized_width, resized_height = int(width/2), int(height/2)
    for image_data in images_data:
        image = Image.fromarray(image_data)
        image = image.resize((resized_width, resized_height), Image.ANTIALIAS)
        resized_images.append(np.asarray(image))
    return(np.array(resized_images))

然后我将两个函数链接在一起来处理我的图像，如： resize_images(crop_images(images_data))

但我想知道是否有办法对这些操作进行矢量化，因为我知道numpy理想情况下应该是矢量化操作，因为它更快。

Answer 1

对于裁剪，如果将所有图像放入一个三维阵列中，则可以一次性裁剪所有图像（第三维是图像轴）：

cropped = images[top:bottom, left:right, :]

不确定是否会更快 - 内存中所有图像两次的内存成本可能会降低它的速度。

Answer 2

这是一个更高级别的迭代 - 在图像阵列上 - 通常谈论＆＃39;矢量化＆＃39;不适用。

图像数组的大小往往为（400,400,3）或更大。如果你不必要，你不想迭代这400个方面中的一方。所以＆＃39;矢量化＆＃39;对图像阵列的操作很有意义。

但是如果处理这些图像中的100个，那么图像上的循环就不那么糟糕了。唯一可以“矢量化”的方法是将它们组装成一个更大的数组（N，400,400,3）并找到适用于4d的表达式，或者是那个大数组的表达式。如果N是1000或更多，那么走这条路是很诱人的，但是对于一个大阵列来说，内存管理问题开始咀嚼任何速度增益。

对于迭代，我认为附加到列表并插入预分配的数组都很有用。在所有情况下，我都没有看到明确的证据表明一个人比另一个人更快。

alist = []
for arr in source:
    <process arr>
    alist.append(arr)
bigarr = np.array(alist)

与

bigarr = np.zeros((N,..)
for i in range(N):
    arr = source[i,...]
    <process arr>
    bigarr[i,...] = arr

在尝试“矢量化”时，代码清晰度也会受到影响。批量操作。

使用PIL矢量化图像的整形和裁剪

2 个答案: