7

我正在使用 Numpy 执行图像处理，特别是运行标准偏差拉伸。这会读入 X 列，找到 Std。并执行百分比线性拉伸。然后它迭代到下一个“组”列并执行相同的操作。输入图像是一个 1GB 的 32 位单波段栅格，需要相当长的时间来处理（小时）。下面是代码。

我意识到我有 3 个嵌套的 for 循环，这可能是瓶颈发生的地方。如果我在“盒子”中处理图像，也就是说加载一个 [500,500] 的数组并迭代图像处理时间非常短。不幸的是，相机错误要求我迭代极长的条带 (52,000 x 4) (y,x) 以避免条带。

任何有关加快速度的建议将不胜感激：

def box(dataset, outdataset, sampleSize, n):

    quiet = 0
    sample = sampleSize
    #iterate over all of the bands
    for j in xrange(1, dataset.RasterCount + 1): #1 based counter

        band = dataset.GetRasterBand(j)
        NDV = band.GetNoDataValue()

        print "Processing band: " + str(j)       

        #define the interval at which blocks are created
        intervalY = int(band.YSize/1)    
        intervalX = int(band.XSize/2000) #to be changed to sampleSize when working

        #iterate through the rows
        scanBlockCounter = 0

        for i in xrange(0,band.YSize,intervalY):

            #If the next i is going to fail due to the edge of the image/array
            if i + (intervalY*2) < band.YSize:
                numberRows = intervalY
            else:
                numberRows = band.YSize - i

            for h in xrange(0,band.XSize, intervalX):

                if h + (intervalX*2) < band.XSize:
                    numberColumns = intervalX
                else:
                    numberColumns = band.XSize - h

                scanBlock = band.ReadAsArray(h,i,numberColumns, numberRows).astype(numpy.float)

                standardDeviation = numpy.std(scanBlock)
                mean = numpy.mean(scanBlock)

                newMin = mean - (standardDeviation * n)
                newMax = mean + (standardDeviation * n)

                outputBlock = ((scanBlock - newMin)/(newMax-newMin))*255
                outRaster = outdataset.GetRasterBand(j).WriteArray(outputBlock,h,i)#array, xOffset, yOffset


                scanBlockCounter = scanBlockCounter + 1
                #print str(scanBlockCounter) + ": " + str(scanBlock.shape) + str(h)+ ", " + str(intervalX)
                if numberColumns == band.XSize - h:
                    break

                #update progress line
                if not quiet:
                    gdal.TermProgress_nocb( (float(h+1) / band.YSize) )

这是一个更新：不使用配置文件模块，因为我不想开始将一小部分代码包装到函数中，所以我混合使用了 print 和 exit 语句来大致了解哪些行花费的时间最多。幸运的是（而且我确实理解我是多么幸运）一条线拖累了一切。

    outRaster = outdataset.GetRasterBand(j).WriteArray(outputBlock,h,i)#array, xOffset, yOffset

在打开输出文件并写出数组时，GDAL 似乎效率很低。考虑到这一点，我决定将修改后的数组“outBlock”添加到 python 列表中，然后写出块。这是我更改的部分：

outputBlock 刚刚被修改...

         #Add the array to a list (tuple)
            outputArrayList.append(outputBlock)

            #Check the interval counter and if it is "time" write out the array
            if len(outputArrayList) >= (intervalX * writeSize) or finisher == 1:

                #Convert the tuple to a numpy array.  Here we horizontally stack the tuple of arrays.
                stacked = numpy.hstack(outputArrayList)

                #Write out the array
                outRaster = outdataset.GetRasterBand(j).WriteArray(stacked,xOffset,i)#array, xOffset, yOffset
                xOffset = xOffset + (intervalX*(intervalX * writeSize))

                #Cleanup to conserve memory
                outputArrayList = list()
                stacked = None
                finisher=0

Finisher 只是一个处理边缘的标志。花了一些时间来弄清楚如何从列表中构建一个数组。在那，使用 numpy.array 正在创建一个 3-d 数组（有人愿意解释为什么吗？）并且写入数组需要一个 2d 数组。总处理时间现在从不到 2 分钟到 5 分钟不等。知道为什么可能存在时间范围吗？

非常感谢所有发帖的人！下一步是真正进入 Numpy 并了解向量化以进行额外优化。

4

3 回答 3

7

加快numpy数据操作的一种方法是使用vectorize. 本质上，vectorize 接受一个函数f并创建一个g映射f到数组的新函数a。g然后像这样调用：g(a).

>>> sqrt_vec = numpy.vectorize(lambda x: x ** 0.5)
>>> sqrt_vec(numpy.arange(10))
array([ 0.        ,  1.        ,  1.41421356,  1.73205081,  2.        ,
        2.23606798,  2.44948974,  2.64575131,  2.82842712,  3.        ])

如果没有您正在使用的数据，我不能确定这是否会有所帮助，但也许您可以将上面的内容重写为一组可以vectorized. 也许在这种情况下，您可以将一组索引向量化为ReadAsArray(h,i,numberColumns, numberRows). 以下是潜在好处的示例：

>>> print setup1
import numpy
sqrt_vec = numpy.vectorize(lambda x: x ** 0.5)
>>> print setup2
import numpy
def sqrt_vec(a):
    r = numpy.zeros(len(a))
    for i in xrange(len(a)):
        r[i] = a[i] ** 0.5
    return r
>>> timeit.timeit(stmt='a = sqrt_vec(numpy.arange(1000000))', setup=setup1, number=1)
0.30318188667297363
>>> timeit.timeit(stmt='a = sqrt_vec(numpy.arange(1000000))', setup=setup2, number=1)
4.5400981903076172

15 倍加速！另请注意，numpy 切片可以ndarray优雅地处理 s 的边缘：

>>> a = numpy.arange(25).reshape((5, 5))
>>> a[3:7, 3:7]
array([[18, 19],
       [23, 24]])

因此，如果您可以将您的ReadAsArray数据放入一个ndarray您将不必进行任何边缘检查的恶作剧。

关于你关于重塑的问题——重塑根本不会改变数据。它只是改变了numpy索引数据的“步幅”。当您调用该reshape方法时，返回的值是数据的新视图；数据根本不会被复制或更改，具有旧步幅信息的旧视图也不会。

>>> a = numpy.arange(25)
>>> b = a.reshape((5, 5))
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24])
>>> b
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24]])
>>> a[5]
5
>>> b[1][0]
5
>>> a[5] = 4792
>>> b[1][0]
4792
>>> a.strides
(8,)
>>> b.strides
(40, 8)
于 2011-07-11T19:44:44.620 回答
5

按要求回答。

如果你是 IO 绑定的，你应该分块你的读/写。尝试将约 500 MB 的数据转储到 ndarray，对其进行处理，将其写出，然后抓取下一个约 500 MB。确保重用 ndarray。

于 2011-07-13T19:24:28.600 回答
2

在没有试图完全理解你在做什么的情况下，我注意到你没有使用任何numpy slices或array broadcasting，这两者都可以加速你的代码，或者至少让它更具可读性。如果这些与您的问题无关，我深表歉意。

于 2011-07-11T19:06:12.780 回答