1

我想使用滑动窗口在图像上计算一些操作（GLCM）。实现它的代码是：

import numpy as np
from skimage.feature import greycomatrix, greycoprops

from numpy.lib.stride_tricks import as_strided

image = np.arange(36).reshape((6,6))

window = 5

result = np.zeros(image.shape)
for i in xrange(window/2,image.shape[0]-window/2):
    for j in xrange(window/2,image.shape[1]-window/2):
        sample = image[i-(window/2):i+(window/2)+1, j - (window/2):j+(window/2)+1]
        glcm = greycomatrix(sample, [1], [0], 256, symmetric=False, normed=True)
        result[i,j] = greycoprops(glcm, 'contrast')[0, 0]

它可以工作，但是两个 for 循环非常昂贵。我想提高速度，所以在网上环顾四周，我尝试使用as_stride技巧：

from numpy.lib.stride_tricks import as_strided

image = np.arange(36).reshape((6,6))

window = 5

y = as_strided(image,shape=(image.shape[0] - window + 1,\
                            image.shape[1] - window + 1,) +\
               (window,window),  strides=image.strides * 2)

例如，计算第一个窗口的 GLCM：

glcm = greycoprops(greycomatrix(y[0,0], [1], [0], 256, symmetric=False, normed=True))[0][0]

我尝试将所有滑动窗口申请为：

glcm[:,:] = greycoprops(greycomatrix(y[:,:], [1], [0], 256, symmetric=False, normed=True))[0][0]

但在这种情况下， they[:,:]没有ndim==2asy[0,0]但是ndim==4，以及 so 。我找不到一种方法来以智能方式迭代所有保留ndim == 2（greycomatrix函数所需）的子集。

编辑

我尝试使用 ravel 并处理一维向量，因此只有 1 个 for 循环。这是代码：

a = y.ravel()
print a.shape
glcm=np.zeros(a.shape[0]/(window*window))
for i in np.arange(a.shape[0]/(window*window)):
    glcm[i] = greycoprops(greycomatrix(a[i*25:i*25+25].reshape(5,5), [1], [0], 256, symmetric=False, normed=True))[0][0]

result= glcm.reshape(y.shape[0],y.shape[1])

处理时间增加...

4

2 回答 2

1

既然你忘了问一个问题，我会假设它是

我怎样才能让它跑得快？

好吧，在这种情况下，残酷的事实是，与 python 一样好，for与单个像素操作相比，执行具有大量切片的 python 循环总是相对昂贵。

因此，如果您关心的是速度，您应该使用一种语言实现一些函数，该语言允许您获取 python 绑定（例如 C 和cpython），并使用该函数。

于 2015-01-16T13:36:40.647 回答
0

使用 ，as_strided y您仍然需要单独访问子数组，例如：

for i in range(y.shape[0]):
    for j in range(y.shape[1]):
        sample = y[i,j,...]
        print sample

甚至

for row in y:
    for sample in row:
        print sample

除了你需要收集结果。

在这样的迭代中，as_strided只有当它使对子数组的访问更有效时才有好处。

但是，如果您可以重写 GCLM 计算以使用 4d 数组，它的真正好处就来了。一些numpy操作被设计为在 1 个或 2 个轴上操作，而其他操作只是“顺其自然”。例如，如果您的计算只是取图像的平均值。y这样就可以了：

np.mean(y, axes=(-2,-1))
于 2015-01-16T19:10:23.253 回答