我想有效地遍历给定图像的每个像素,并根据像素的位置应用函数并将输出放置在该位置。
这是我尝试过的:
def point_gaussian_value(p1, p2, sigma=0.8):
x1, y1 = p1
x2, y2 = p2
return np.exp(-1 * (np.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2) / sigma ** 2))
point_annotation = np.zeros_like(sample).astype(np.float32)
for j in range(sample.shape[0]):
for k in range(sample.shape[1]):
value = point_gaussian_value(p1=(j, k), p2=(row[header[i]], row[header[i + 1]]))
point_annotation[j, k] = point_gaussian_value(p1=(j, k), p2=(20, 20))
尽管它很幼稚,而且效率极低,特别是对于大图像。我知道我可以向量化一个函数,以便所有计算都可以同时高效地完成,但是我不确定是否可以/如何向量化每个像素得到一个像素位置的函数。
答案 0 :(得分:4)
鉴于该函数将接收的是行和列的索引,因此可以通过将np.aranges
用作x1
和{{1},以向量化的方式直接计算所有值}坐标:
y1
我们还可以使用numexpr
模块来加快计算速度:
rows = np.arange(sample.shape[0])
cols = np.arange(sample.shape[1])
x2, y2 = (row[header[i]], row[header[i + 1]])
out = np.exp(-1 * (np.sqrt((x2 - rows[:,None])**2 + (y2 - cols)**2) / 0.8**2))
快速检查和计时:
import numexpr as ne
rows = np.arange(sample.shape[0])
cols = np.arange(sample.shape[1])
x2, y2 = (row[header[i]], row[header[i + 1]])
out = ne.evaluate('exp(-1 * sqrt((x2- rows2D)**2 + (y2- cols)**2) / 0.8**2)',
{'rows2D': rows[:,None]})
n_rows = 1000
n_cols = 1000
rows = np.arange(n_rows)
cols = np.arange(n_cols)
x2, y2 = 10, 12
out = ne.evaluate('exp(-1*sqrt((x2- rows2D)**2 + (y2- cols)**2) / 0.8**2)',
{'rows2D': rows[:,None]})
np.allclose(out, point_annotation, rtol=1e-5)
# True
第二种方法可以使 def current_approach(n_rows, n_cols, x2, y2):
point_annotation = np.zeros((n_rows,n_cols)).astype(np.float32)
for j in range(n_rows):
for k in range(n_cols):
value = point_gaussian_value(p1=(j, k), p2=(x2,y2))
point_annotation[j, k] = point_gaussian_value(p1=(j, k), p2=(x2,y2))
def approach_1(n_rows, n_cols, x2, y2):
rows = np.arange(n_rows)
cols = np.arange(n_cols)
out = np.exp(-1 * (np.sqrt((x2- rows[:,None])**2 + (y2- cols)**2) / 0.8**2))
def approach_2(n_rows, n_cols, x2, y2):
rows = np.arange(n_rows)
cols = np.arange(n_cols)
out = ne.evaluate('exp(-1*sqrt((x2- rows2D)**2 + (y2- cols)**2) / 0.8**2)',
{'rows2D': rows[:,None]})
%timeit current_approach(n_rows, n_cols, x2, y2)
# 10.7 s ± 471 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit approach_1(n_rows, n_cols, x2, y2)
# 59.3 ms ± 426 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit approach_2(n_rows, n_cols, x2, y2)
# 965 µs ± 43.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
加速!