Question

因此，我目前有一个项目，必须通过卫星图像模拟高分辨率图像。我正在使用Python进行此操作，并且我有一个有效的程序-但是，要在典型的图像尺寸（1200 x 1500像素）上进行仿真需要3分钟。我一直在测试代码的时间，发现这是脚本中最耗时的部分，需要3分钟（其余代码约占10秒）。

这是一部分代码：

def weight_values(Pix_center,row_0,row_1,col_0,col_1,t_row_0,t_row_1,t_col_0,t_col_1):
    foot_in_truth = foots[Pix_center,row_0:row_1,col_0:col_1]
    truth_in_foot = truth[t_row_0:t_row_1, t_col_0:t_col_1]
    weighted_vals = (foot_in_truth*truth_in_foot).sum()/foot_in_truth.sum()
    return weighted_vals

no_mask = np.where(np.ma.getmaskarray(Pix_centers) == False)
weighted_mean = np.array(map(weight_values, (Pix_centers[no_mask]),(row0[no_mask]),(row1[no_mask]),(col0[no_mask]),(col1[no_mask]),(truth_row0[no_mask]),(truth_row1[no_mask]),(truth_col0[no_mask]),(truth_col1[no_mask])))

在上面，我的 weight_values 函数具有很多值。当使用 map 调用它们时，给出的可迭代对象都是相同大小的所有一维对象。

这里是有关数组的简要说明：

英尺：沿着轨道和整个轨道具有尺寸像素数的3D阵列（后两个是非本地化的，即它们的中心为0）。这代表了卫星在每个像素处的足迹。占用空间本质上是每个像素内部实际有多少面积-我正在使用一种具有大条幅的仪器，这就是为什么这很重要。
真相：这就是我正在模拟的东西。它具有与英尺相同的分辨率，但是覆盖了沿轨道和跨轨道坐标的特定区域

在地图函数中作为可迭代对象调用的一维数组具有掩码值，这就是为什么使用'no_mask'的原因。这些数组的最大值为1800000（图像像素数），但是我的代码允许我选择较小的分段进行测试。

此方法有效！但是我想知道是否有任何方法可以加快速度。到目前为止，我已经尝试过使用map / lambda设置（速度慢了将近两倍），列表理解和for循环。到目前为止，在我整个180万像素样本中，这种方法是最快的。如果您对如何加快速度有任何想法，请告诉我。我将在此处发布整个代码，但其中很多都无关紧要，而且它使用本地计算机上的文件，但我不确定我是否有权共享。

也请让我知道此处是否不清楚或您不理解该问题，我将尽力使它更具可读性。

Answer 1

我快速浏览了您的weight_value函数，该函数对每个像素进行平均，并且每个像素有很多邻居。因此，每个相邻像素被读取多次。这需要O（n ^ 3）时间。一种常见的更快的技术是累积和。您可以从this example开始，尽管它在Matlab中。这个想法在python中是相同的。目标是您只需要计算一次每个像素值。 python版本是here。

使用map（）函数优化速度

1 个答案: