Python：改善图像处理与numpy

Question

让有两个大（2000x2000或更高）.tiff图像只包含numpy float32值（无rgb）。我打电话给他们的图像A和B.我想乘他们以特殊的方式：

• 查找B中的最大值，并把它卷（使用numpy.roll）到 上，最左边的角落。
• 乘法甲乙
• B的总和添加到其中，B的最大值进行压延
• 辊B中的一个元件进一步的最大A的索引
• 重复对于A
的所有元素
• 保存生成的图像

两个图像总是相同的形状。 我想出了这个主意：

#A,B are loaded with PIL as numpy images and are flattend 
B = np.roll(B, len(mult_img)-distance_to_max) #roll max to the first element 

sum_arr = np.sum(B) #sum of B 

for i in range(len(A)): 
    A = np.multiply(A, np.roll(B, i)) #roll B with i-increment and multiply 
    A[i] += sum_arr #add sum to A at index 

这看起来像它会做的工作，重塑后阵和保存。但是对于2000x2000的图像大约需要40s，并且会有处理它们的条件。 问题是：如何改进？或者是否有更好的numpy解决方案来完成这项任务以加快速度？

在此先感谢

Answer 1

前瞻性方法

考虑一下：

In [154]: B = np.arange(5) 

In [155]: B 
Out[155]: array([0, 1, 2, 3, 4]) 

使用B轧制版本：

In [156]: for i in range(len(B)): 
    ...:  print np.roll(B, i) 
    ...:  
[0 1 2 3 4] 
[4 0 1 2 3] 
[3 4 0 1 2] 
[2 3 4 0 1] 
[1 2 3 4 0] 

所以，我们所需要的技巧聘请是创建一个扩展数组，可以切片以获取滚动版本。这个想法在NumPy中切片基本上是免费的。由此，扩展阵列将是 -

In [157]: B_ext = np.concatenate((B[1:], B)) 

In [158]: B_ext 
Out[158]: array([1, 2, 3, 4, 0, 1, 2, 3, 4]) 

因此，在切片步骤将是 -

[1, 2, 3, 4, 0, 1, 2, 3, 4] 
      [   ] 
      [   ] 
     [   ] 
    [   ] 
[   ] 

用它

然后，扩展阵列可以使用像这样 -

n = len(A) 
for i in range(n-1,-1,-1): 
    Ac *= B_ext[i:i+n] #roll B with i-increment and multiply 
    Ac[n-1-i] += sum_arr #add sum to A at index 

完成

结束写入，所述方法将是 -

def org_app(A, B, sum_arr): # Original approach 
    for i in range(len(A)): 
     A = np.multiply(A, np.roll(B, i)) #roll B with i-increment and multiply 
     A[i] += sum_arr #add sum to A at index 
    return A 

def app1(A, B, sum_arr): # Proposed approach 
    B_ext = np.concatenate((B[1:], B)) 
    n = len(A) 
    for i in range(n-1,-1,-1): 
     A *= B_ext[i:i+n] #roll B with i-increment and multiply 
     A[n-1-i] += sum_arr #add sum to A at index 
    return A 

标杆

1）验证 -

In [144]: # Setup inputs 
    ...: np.random.seed(1234) 
    ...: N = 10000 
    ...: A = np.random.randint(0,255,(N)) 
    ...: B = np.random.randint(0,255,(N)) 
    ...: A_copy = A.copy() 
    ...: sum_arr = np.sum(B) #sum of B 
    ...: 

In [145]: out1 = org_app(A, B, sum_arr) 
    ...: out2 = app1(A_copy, B, sum_arr) 
    ...: print "Abs. Max. Error : " + str(np.abs(out1-out2).max()) 
    ...: 
Abs. Max. Error : 0 

2）运行测试 -

In [146]: # Setup inputs 
    ...: np.random.seed(1234) 
    ...: N = 10000 
    ...: A = np.random.randint(0,255,(N)) 
    ...: B = np.random.randint(0,255,(N)) 
    ...: A_copy = A.copy() 
    ...: sum_arr = np.sum(B) #sum of B 
    ...: 

In [147]: %timeit org_app(A, B, sum_arr) 
1 loop, best of 3: 196 ms per loop 

In [148]: %timeit app1(A_copy, B, sum_arr) 
10 loops, best of 3: 51.9 ms per loop