43

我已经将图像读入 numpy，结果数组中有很多像素。

我计算了一个包含 256 个值的查找表。现在我想做以下事情：

for i in image.rows:
    for j in image.cols:
        mapped_image[i,j] = lut[image[i,j]]

是的，这基本上就是 lut 所做的。
唯一的问题是：我想做到高效，在 python 中调用该循环会让我等待几秒钟以完成它。

我知道numpy.vectorize()，它只是一个调用相同 python 代码的便捷函数。

4

3 回答 3

62

您可以只使用image索引lutif lutis 1D。
这是 NumPy 中索引的入门：
http ://www.scipy.org/Tentative_NumPy_Tutorial#head-864862d3f2bb4c32f04260fac61eb4ef34788c4c 

In [54]: lut = np.arange(10) * 10

In [55]: img = np.random.randint(0,9,size=(3,3))

In [56]: lut
Out[56]: array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

In [57]: img
Out[57]: 
array([[2, 2, 4],
       [1, 3, 0],
       [4, 3, 1]])

In [58]: lut[img]
Out[58]: 
array([[20, 20, 40],
       [10, 30,  0],
       [40, 30, 10]])

还要注意索引开始于0

于 2013-01-21T23:16:47.887 回答
29

TheodrosZelleke 的回答是正确的，但我只是想为它添加一些无证智慧。Numpy 提供了一个函数，np.take根据文档，它“与花式索引做同样的事情”。

好吧，几乎，但不完全相同：

>>> import numpy as np
>>> lut = np.arange(256)
>>> image = np.random.randint(256, size=(5000, 5000))
>>> np.all(lut[image] == np.take(lut, image))
True
>>> import timeit
>>> timeit.timeit('lut[image]',
...               'from __main__ import lut, image', number=10)
4.369504285407089
>>> timeit.timeit('np.take(lut, image)',
...               'from __main__ import np, lut, image', number=10)
1.3678052776554637

np.take大约快 3 倍！根据我的经验，当使用 3D luts 将图像从 RGB 转换为其他色彩空间时，添加将 3D 查找转换为 1D 扁平化查找的逻辑可以加快 x10 倍的速度。

于 2013-01-22T03:28:55.950 回答
2

如果您仅限于使用 numpy，那么 TheodrosZelleke 的答案就是要走的路。但是如果你允许其他模块，cv2它是一个与图像数据交互的有用模块，它接受 numpy 数组作为输入。一个很大的限制是图像数组必须有dtype='uint8'，但只要没问题，该函数cv2.LUT就会完全按照我们的意愿执行，并且它提供了显着的加速：

>>> import numpy as np
>>> import cv2
>>> lut = np.arange(256, dtype='uint8')
>>> image = np.random.randint(256, size=(5000, 5000), dtype='uint8')
>>> np.all(lut[image] == cv2.LUT(image, lut))
True
>>> import timeit
>>> timeit.timeit('lut[image]', 'from __main__ import lut, image', number=10)
0.5747578000000431
>>> timeit.timeit('cv2.LUT(image, lut)', 
...               'from __main__ import cv2, lut, image', number=10)
0.07559149999997317

您的查找表可以是其他一些数据类型，但是您失去了很多速度改进（尽管 numpy 索引也会影响性能）。例如，使用dtype='float64'：

>>> lut = np.arange(256, dtype='float64')
>>> timeit.timeit('lut[image]', 'from __main__ import lut, image', number=10)
1.068468699999812
>>> timeit.timeit('cv2.LUT(image, lut)', 
...               'from __main__ import cv2, lut, image', number=10)
0.41085720000000947
于 2020-08-10T16:28:30.557 回答