Question

我有一个图像投影问题，在最后一步中，我需要在源图像上使用双线性插值法，以到达目标点的间距不均匀。 MATLAB可以很好地处理这一问题，并使用interp2快速计算出答案。 MATLAB示例：

img = imread('ngc6543a.jpg');
img = double(rgb2gray(img)) / 256;
[img_col, img_row] = meshgrid(1:size(img, 2), 1:size(img, 1));
interp_rows = 325+200*randn(1, 100000);
interp_cols = 300*200*randn(1, 100000);

tic
img_interp = interp2(img_col, img_row, omg, interp_rows, interp_cols)
toc
>Elapsed time is 0.011680 seconds.

据我所知，没有办法在Python中以几乎相同的速度插值到非均匀采样点。所有典型的SciPy方法似乎都希望目标也是等距点的2D网格，而不是点的随机散布。（例如scipy.interpolate.interp2d）。在SciPy中执行相同的操作需要一个for循环：

from scipy.interpolate import interp2d
import numpy as np


% Does NOT interpolate to points outside the convex hull (which is good)
interpolator = interp2d(img_col, img_row, img)
interp_rows = 325+200*np.random.randn(1, 100000);
interp_cols = 300*200*np.random.randn(1, 100000);

result = np.empty((100000,), dtype=np.float)
for i in range(100000):
    result[i] = interpolator(interp_cols[i], interp_rows[i])

正如您可能期望的那样，循环需要很长时间（strongstrong）。我相信一定有更好的方法。我找到的最接近的东西是scipy.interpolate.RectBivariateSpline。这样，我几乎可以以与MATLAB相同的速度完成我想做的事情：

from scipy.interpolate import RectBivariateSpline

% DOES interpolate to points outside the convex hull (which is bad)
interpolator = RectBivariateSpline(img_col, img_row, img)
img_interp = interpolator(interp_cols, interp_rows, grid=False)

此方法的问题在于，它不会将源凸包以外的值设置为NaN。它仍然插值到这些值。然后，这需要找到凸包，并手动消除该包之外的值，这很慢。

Answer 1

问题是您正在使用的for循环：

for i in range(100000):
    result[i] = interpolator(interp_cols[i], interp_rows[i])

使用MATLAB代码时，您正在使用矢量化方法：

img_interp = interp2(img_col, img_row, omg, interp_rows, interp_cols)

使用scipy也是可能的：

result = interpolator(interp_cols, interp_rows)

这应该使您的速度提高很多。

在Python中避免for循环。通常在Numpy / Scipy中使用矢量化方法。

MATLAB可能仍会稍快一些，但是当您发现计算时间可能慢2到100倍时，您在Python中做错了事。

为进行比较，您可以尝试将for循环添加到MATLAB中并查看其性能。

有关思想和概念，请参见here或here，

为什么在非均匀间隔样本上，MATLAB interp2比SciPy快得多？

1 个答案: