2

我最近在性能方面遇到了障碍。我知道如何通过暴力破解/循环二维数组中的每一行和每一列来手动循环并从原始单元格到所有其他单元格进行插值。

但是，当我处理形状为 (3000, 3000) 的二维数组时，线性间距和插值会停止并严重影响性能。

我正在寻找一种可以优化此循环的方法，我知道矢量化和广播只是不确定如何在这种情况下应用它。

我会用代码和数字来解释

import numpy as np
from scipy.ndimage import map_coordinates
m = np.array([
    [10,10,10,10,10,10],
    [9,9,9,10,9,9],
    [9,8,9,10,8,9],
    [9,7,8,0,8,9],
    [8,7,7,8,8,9],
    [5,6,7,7,6,7]])

origin_row = 3
origin_col = 3
m_max = np.zeros(m.shape)
m_dist = np.zeros(m.shape)

rows, cols = m.shape
for col in range(cols):
    for row in range(rows):
        # Get spacing linear interpolation
        x_plot = np.linspace(col, origin_col, 5)
        y_plot = np.linspace(row, origin_row, 5)

        # grab the interpolated line
        interpolated_line = map_coordinates(m,
                                      np.vstack((y_plot,
                                                 x_plot)),
                                      order=1, mode='nearest')
        m_max[row][col] = max(interpolated_line)
        m_dist[row][col] = np.argmax(interpolated_line)

print(m)
print(m_max)
print(m_dist)

正如你所看到的，这是非常暴力的，我已经设法广播了这部分的所有代码，但卡在了这部分。这是我要实现的目标的说明，我将进行第一次迭代

1.) 输入数组

输入数组

2.) 从 0,0 到原点 (3,3) 的第一个循环

第一个单元格到原点

3.) 这将返回 [10 9 9 8 0]，最大值为 10，索引为 0

5.) 这是我使用的示例数组的输出

m的样本输出

这是基于接受的答案的性能更新。

次

4

2 回答 2

2

为了加快代码速度，您可以首先在循环之外创建x_plotand y_plot，而不是每次创建它们多次：

#this would be outside of the loops
num = 5
lin_col = np.array([np.linspace(i, origin_col, num) for i in range(cols)])
lin_row = np.array([np.linspace(i, origin_row, num) for i in range(rows)])

然后你可以在每个循环中通过x_plot = lin_col[col]and访问它们y_plot = lin_row[row]

其次，您可以通过为每对 ( , )使用map_coordinates多个 on来避免这两个循环。为此，您可以使用and来创建and的所有组合，例如：v_stackrowcolx_ploty_plotnp.tilenp.ravel

arr_vs = np.vstack(( np.tile( lin_row, cols).ravel(),
                     np.tile( lin_col.ravel(), rows)))

请注意，ravel不是每次都在同一个地方使用以获得所有组合。现在您可以使用map_coordinatesthisarr_vs和reshape带有 的数量的结果rows，cols并在 3D 数组的最后一个轴中num获取每个：interpolated_line

arr_map = map_coordinates(m, arr_vs, order=1, mode='nearest').reshape(rows,cols,num)

最后，您可以在最后一个轴上使用np.max和来获得结果和。所以所有的代码都是：np.argmaxarr_mapm_maxm_dist

import numpy as np
from scipy.ndimage import map_coordinates
m = np.array([
    [10,10,10,10,10,10],
    [9,9,9,10,9,9],
    [9,8,9,10,8,9],
    [9,7,8,0,8,9],
    [8,7,7,8,8,9],
    [5,6,7,7,6,7]])

origin_row = 3
origin_col = 3
rows, cols = m.shape

num = 5
lin_col = np.array([np.linspace(i, origin_col, num) for i in range(cols)])
lin_row = np.array([np.linspace(i, origin_row, num) for i in range(rows)])

arr_vs = np.vstack(( np.tile( lin_row, cols).ravel(),
                     np.tile( lin_col.ravel(), rows)))

arr_map = map_coordinates(m, arr_vs, order=1, mode='nearest').reshape(rows,cols,num)
m_max = np.max( arr_map, axis=-1)
m_dist = np.argmax( arr_map, axis=-1)

print (m_max)
print (m_dist)

你会得到预期的结果：

#m_max
array([[10, 10, 10, 10, 10, 10],
       [ 9,  9, 10, 10,  9,  9],
       [ 9,  9,  9, 10,  8,  9],
       [ 9,  8,  8,  0,  8,  9],
       [ 8,  8,  7,  8,  8,  9],
       [ 7,  7,  8,  8,  8,  8]])
#m_dist
array([[0, 0, 0, 0, 0, 0],
       [0, 0, 2, 0, 0, 0],
       [0, 2, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0],
       [0, 2, 0, 0, 0, 0],
       [1, 1, 2, 1, 2, 1]])

编辑：lin_col并且lin_row是相关的，所以你可以做得更快：

if cols >= rows:
    arr = np.arange(cols)[:,None]
    lin_col = arr + (origin_col-arr)/(num-1.)*np.arange(num)
    lin_row = lin_col[:rows] + np.linspace(0, origin_row - origin_col, num)[None,:]
else:
    arr = np.arange(rows)[:,None]
    lin_row = arr + (origin_row-arr)/(num-1.)*np.arange(num)
    lin_col = lin_row[:cols] + np.linspace(0, origin_col - origin_row, num)[None,:]
于 2018-12-23T03:24:12.147 回答
1

这是一种矢量化方法。它不是很优化，可能会有一两个 index-off-by-one 错误，但它可能会给你一些想法。

两个示例是单色 384x512 测试图案和“真实”3 通道 768x1024 图像。两者都是uint8。这在我的机器上需要半分钟。

对于较大的图像，需要的 RAM 比我拥有的更多（8GB）。或者必须将其分解成更小的块。

在此处输入图像描述 在此处输入图像描述 在此处输入图像描述 在此处输入图像描述

和代码

import numpy as np

def rays(img, ctr):
    M, N, *d = img.shape
    aidx = 2*(slice(None),) + (img.ndim-2)*(None,)
    m, n = ctr
    out = np.empty_like(img)
    offsI = np.empty(img.shape, np.uint16)
    offsJ = np.empty(img.shape, np.uint16)
    img4, out4, I4, J4 = ((x[m:, n:], x[m:, n::-1], x[m::-1, n:], x[m::-1, n::-1]) for x in (img, out, offsI, offsJ))
    for i, o, y, x in zip(img4, out4, I4, J4):
        for _ in range(2):
            M, N, *d = i.shape
            widths = np.arange(1, M+1, dtype=np.uint16).clip(None, N)
            I = np.arange(M, dtype=np.uint16).repeat(widths)
            J = np.ones_like(I)
            J[0] = 0
            J[widths[:-1].cumsum()] -= widths[:-1]
            J = J.cumsum(dtype=np.uint16)
            ii = np.arange(1, 2*M-1, dtype=np.uint16) // 2
            II = ii.clip(None, I[:, None])
            jj = np.arange(2*M-2, dtype=np.uint32) // 2 * 2 + 1
            jj[0] = 0
            JJ = ((1 + jj) * J[:, None] // (2*(I+1))[:, None]).astype(np.uint16).clip(None, J[:, None])
            idx = i[II, JJ].argmax(axis=1)
            II, JJ = (np.take_along_axis(ZZ[aidx] , idx[:, None], 1)[:, 0] for ZZ in (II, JJ))
            y[I, J], x[I, J] = II, JJ
            SH = II, JJ, *np.ogrid[tuple(map(slice, img.shape))][2:]
            o[I, J] = i[SH]
            i, o = i.swapaxes(0, 1), o.swapaxes(0, 1)
            y, x = x.swapaxes(0, 1), y.swapaxes(0, 1)
    return out, offsI, offsJ

from scipy.misc import face

f = face()
fr, *fidx = rays(f, (200, 400))
s = np.uint8((np.arange(384)[:, None] % 41 < 2)&(np.arange(512) % 41 < 2))
s = 255*s + 128*s[::-1, ::-1] + 64*s[::-1] + 32*s[:, ::-1]
sr, *sidx = rays(s, (200, 400))

import Image
Image.fromarray(f).show()
Image.fromarray(fr).show()
Image.fromarray(s).show()
Image.fromarray(sr).show()
于 2018-12-22T21:42:15.617 回答