使用numpy（大约8ms）：

Question

我正在寻找一种更快的方法来标准化Python中的图像。我想将所有像素转换为0到1之间的值。

输入：JPEG格式的150x150 RGB图像。

OS /硬件：具有8GB RAM的LINUX / P40 GPU

用例：用于实时分类任务的图像预处理。

每张图像的当前时间约为5-10毫秒。我正在寻找一种可以减少这种时间的方法。

我尝试了两种方法，分别是numpy和opencv。

使用numpy（大约8ms）：

norm = (img - np.min(img)) / (np.max(img) - np.min(img))

使用opencv（大约3ms）：

norm = cv2.normalize(img, None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)

在我的用例中，这两种方法都很慢。谁能用更快的图像归一化方法指导我？

Answer 1

您的时机对我来说似乎很慢。也许您的安装有问题？

我尝试了这个测试程序：

#!/usr/bin/python3

import sys
import numpy as np
import cv2
from PIL import Image
from profilehooks import profile

@profile
def try_numpy(img):
    ar = np.array(img).astype(np.float32)
    for i in range(1000):
        mn = np.min(ar)
        mx = np.max(ar)
        norm = (ar - mn) * (1.0 / (mx - mn))

@profile
def try_cv2(img):
    for i in range(1000):
        norm = cv2.normalize(img, None, alpha=0, beta=1,
                             norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)

img = Image.open(sys.argv[1])
try_numpy(img)

img = cv2.imread(sys.argv[1])
try_cv2(img)

在运行Ubuntu 19.04的这款适中的2015 i5笔记本电脑上，我看到：

$ ./try291.py ~/pics/150x150.png 
*** PROFILER RESULTS ***
try_cv2 (./try291.py:17)
function called 1 times

         1002 function calls in 0.119 seconds

   Ordered by: cumulative time, internal time, call count

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.001    0.001    0.119    0.119 try291.py:17(try_cv2)
     1000    0.118    0.000    0.118    0.000 {normalize}

*** PROFILER RESULTS ***
try_numpy (./try291.py:9)
function called 1 times

         10067 function calls in 0.113 seconds

   Ordered by: cumulative time, internal time, call count
   List reduced from 52 to 40 due to restriction <40>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.064    0.064    0.113    0.113 try291.py:9(try_numpy)
     2000    0.004    0.000    0.045    0.000 fromnumeric.py:69(_wrapreduction)

因此，它们每次通话都花费约0.1毫秒，比您看到的数字快50倍。

要进一步加快速度，

您对像素值范围有任何先验知识吗？也许您可以跳过搜索的最大值和最小值。
根据您的采样密度，对整个输入图像进行规范化然后再切出150x150色块的速度可能更快。

python中的快速图像标准化

使用numpy（大约8ms）：

使用opencv（大约3ms）：

1 个答案: