有效地标准化Numpy阵列中的图像

时间:2018-05-08 17:18:06

标签: python image numpy computer-vision normalization

我有一个形状(N, H, W, C)的numpy数组图像,其中N是图像数量,H图像高度,W图像宽度和{{1 RGB通道。

我想通过频道标准化我的图像,因此对于每个图像,我想通过通道方式减去图像通道的平均值并除以其标准偏差。

我在一个循环中完成了这个工作,但效率非常低,因为它复制了我的RAM太满了。

C

如何更有效地利用numpy的功能?

1 个答案:

答案 0 :(得分:4)

沿着第二和第三轴执行ufunc缩减(mean,std),同时保持dim完好无损,以便稍后使用除法步骤帮助broadcasting -

mean = np.mean(rgb_images, axis=(1,2), keepdims=True)
std = np.std(rgb_images, axis=(1,2), keepdims=True)
standardized_images_out = (rgb_images - mean) / std

通过重新使用平均值来计算标准差,从而进一步提升性能,根据其公式,因此受到this solution的启发,如此 -

std = np.sqrt(((rgb_images - mean)**2).mean((1,2), keepdims=True))

打包到具有减少轴的函数作为参数,我们将 -

from __future__ import division

def normalize_meanstd(a, axis=None): 
    # axis param denotes axes along which mean & std reductions are to be performed
    mean = np.mean(a, axis=axis, keepdims=True)
    std = np.sqrt(((a - mean)**2).mean(axis=axis, keepdims=True))
    return (a - mean) / std

standardized_images = normalize_meanstd(rgb_images, axis=(1,2))