代码之家 › 专栏 › 技术社区 › Sindri Ingolfsson

快速将自定义函数应用于图像中的每个像素

numpy image python

2

Sindri Ingolfsson · 技术社区 · 8 年前

我正在寻找一种更快的方法,将自定义函数应用到我用来移除蓝色背景的图像。我有一个函数,计算每个像素与背景中蓝色的距离。带有循环的原始代码如下所示:

def dist_to_blue(pix):
    rdist = 76 - pix[0]
    gdist = 150 - pix[1]
    bdist = 240 - pix[2]
    return rdist*rdist + gdist*gdist + bdist*bdist

imgage.shape #outputs (576, 720, 3)
for i, row in enumerate(image):
    for j, pix in enumerate(row):
        if dist_to_blue(pix) < 12000: image[i,j] = [255,255,255]

我所做的唯一改进是将for循环替换为以下内容:

m = np.apply_along_axis(lambda pix: (255,255,255) if dist_to_blue(pix) < 12000 else pix, 2, image)

大约7秒钟,速度还是很慢。有没有什么我遗漏了的东西可以加速到一个合理的执行时间

5 回复 | 直到 8 年前

1

Deepak Saini 8 年前

一种结合“dash tom bang”和“kevinkayaks”答案的方法

# Assume the image is of shape (h, w, 3)
# Precompute some data
RDIST = np.array([(76 - r)**2 for r in range(256)])
GDIST = np.array([(150 - g)**2 for g in range(256)])
BDIST = np.array([(240 - b)**2 for b in range(256)])

# Calculate and apply mask
mask = (RDIST[image[:,:,0]] + GDIST[image[:,:,1]] + BDIST[image[:,:,2]]) < 12000
image[mask] = [255,255,255]

2

kevinkayaks 8 年前

这应该快一点。。。;)

import numpy as np 
blue = np.full_like(image, [76,150,250])
mask = np.sum((image-blue)**2,axis=-1) < 12000
image[mask] = [255,0,255]

在这里,生成理想的蓝色图像,逐像素将图像的差异平方,然后在生成遮罩之前对最后一个轴(rgb向量)求和,并使用它修改原始图像中的值。

3

1

dash-tom-bang 8 年前

这只是一个暗中拍摄,但也许预先计算一些数据会有帮助?我不确定,但是查表可能比加法和乘法快?

def square(x): # maybe there's a library function for this?
    return x*x

RDIST = [square(76 - r) for r in range(256)]
GDIST = [square(150 - g) for g in range(256)]
BDIST = [square(240 - b) for b in range(256)]

def dist_to_blue(pix):
    return RDIST[pix[0]] + GDIST[pix[1]] + BDIST[pix[2]]

我也怀疑,如果你有一种方法来获得每行像素的数组,可能会更快,而不是索引每一个单独的像素,但我不知道在发挥库。

4

1

yann 8 年前

有一些方法可以通过利用 for loops ,就像使用Numpy的ufuncs( + , - , * ** , < …),聚合( sum max , min , mean …),广播,掩蔽,花哨的索引。下面的代码可能会给您一些提示:

dist = np.expand_dims(np.array([76, 150, 240]), axis=0)
image[np.where(np.sum((image-dist)**2, axis=2) < 12000)]=255

5

1

Daniel F 8 年前

from scipy.spatial.distance import cdist

blue = np.array([76, 150, 250])

def crush_color(image, color, thr = np.sqrt(12000), new = np.array([255, 255, 255]));
    dist_to_color = cdist(image.reshape(-1, 3), color, 'sqeuclidean').reshape(image.shape[:-1])
    image[dist_to_color[..., None] < thr**2] = new

crush_color(image, blue)

cdist 它将计算距离(在本例中为ueclidean的平方),甚至比 numpy 广播。