Question

我编写了一个处理图像的函数，其中提取了许多补丁，然后使用相同的函数（func）处理它们以生成新图像。但是，由于两个循环，函数，补丁数量，补丁大小，这非常慢。我不知道该如何加速这段代码。

功能如下。

# code1
def filter(img, func, ksize, strides=1):
    height,width = img.shape
    f_height,f_width = ksize
    new_height = height - f_height + 1
    new_width = width - f_width + 1

    new_img = np.zeros((new_height,new_width))

    for i in range(new_height):
        for j in range(new_width):
            patch = img[i:i+f_height,j:j+f_width]
            new_img[i][j] = func(patch)

    return new_img

func可能非常灵活且耗时。我举一个例子。下面的函数要计算补丁的中心点除补丁的中间值。但是，我不希望那些值为255的像素计算中值（255是无效像素的默认值）。所以我在numpy中使用蒙版数组。掩码数组会使代码运行速度降低数倍，而且我不知道如何对其进行优化。

# code2
def relative_median_and_center_diff(patch, in_the_boundary, rectangle, center_point):
        mask = patch == 255
        mask[center_point] = True
        masked_patch = np.ma.array(patch, mask=mask)
        count = masked_patch.count()
        if count <= 1:
            return 0
        else:
            return patch[center_point]/(np.ma.median(masked_patch)+1)

我尝试过的想法：

我在循环之前使用了一些numpy函数来提取补丁，希望它比patch = img[i:i+f_height,j:j+f_width]更快。我发现了从中提取补丁的功能 Extracting patches of a certain size from the image in python efficiently 起初，我尝试了skimage.util.shape中的view_as_windows。如下所示更改了代码。这比code1花费更多的时间。我还尝试了sklearn.feature_extraction.image.extract_patches_2d，发现它比code3快，但仍比code1慢。（谁能告诉我为什么会这样吗？）

# code3
def filter(img, func, ksize, strides=1):
    height,width = img.shape
    f_height,f_width = ksize
    new_height = height - f_height + 1
    new_width = width - f_width + 1

    new_img = np.zeros((new_height,new_width))

    from skimage.util.shape import view_as_windows
    patches = view_as_windows(img, (f_height,f_width))

    for i in range(new_height):
        for j in range(new_width):
            patch = patches[i,j]
            new_img[i][j] = func(patch)

    return new_img

除了func之外，此操作有点像卷积或过滤器。我不知道那些lib如何处理这个问题，你们能给我一些线索吗？
在这种情况下我们可以避免两个循环吗？也许这可以加速代码。
我有GPU。我可以更改代码以在gpus上运行并使其并行处理补丁以使其更快吗？
将代码更改为C。这是我想做的最后一件事，因为这可能有点混乱。

你们能给我一些想法或建议吗？

Answer 1

如果您的计算机具有多个CPU，则可以通过将其提交到ThreadPoolExecutor

来对该线程进行多线程处理

您的代码应如下所示：

from concurrent.futures import ThreadPoolExecutor
from multiprocessing import cpu_count()

executor = ThreadPoolExecutor(max_workers=cpu_count())
future = executor.submit(func, data, *args)
future_to_item[future] = data

for future in concurrent.futures.as_completed(future_to_item):
    # do something when you get the result

我一直使用ThreadPoolExecutor进行图像处理。

由于我们仅具有函数，并且不知道您的程序（完全）如何工作，因此请检查Python中的并发性，以便您更好地了解如何将其集成到您的代码中：https://docs.python.org/3/library/concurrent.futures.html

如何加速处理图像中的大量色块？

1 个答案: