代码之家 › 专栏 › 技术社区 › Gilfoyle

删除存储为数组的图像中的像素

vectorization numpy performance python

Gilfoyle · 技术社区 · 6 年前

我有一个核阵列 I 哪些商店 N 大小图像 P (像素数)。每个图像都有大小 P = q*q .

N = 1000 # number of images
q = 10 # length and width of image
P = q*q # pixels of image
I = np.ones((N,P)) # array with N images of size P

现在我想删除大小的补丁 ps 围绕选定索引 IDX (将所有值设置为零)。

ps = 2 # patch size (ps x ps)
IDX = np.random.randint(0,P,(N,1))

我的方法是使用 reshape(q,q) 删除周围的像素 小精灵 . 这里我有一个问题,就是我不知道如何计算给定图像中的位置 小精灵 . 此外,我必须检查索引是否不在图像之外。

如何解决这个问题,有没有办法把这个过程矢量化?

编辑:

在@brenla的帮助下,我做了以下的工作来移除补丁。我的方法的问题是,它需要三个for循环,并且我必须重新塑造每个图像两次。有没有办法提高性能?这一部分大大降低了我的代码速度。

import numpy as np
import matplotlib.pyplot as plt

def myplot(I):
    imgs = 10
    for i in range(imgs**2):
        plt.subplot(imgs,imgs,(i+1))
        plt.imshow(I[i].reshape(q,q), interpolation="none")
        plt.axis("off")
    plt.show()

N = 10000
q = 28
P = q*q
I = np.random.rand(N,P)

ps = 3
IDX = np.random.randint(0,P,(N,1))

for i in range(N):
    img = I[i].reshape(q,q)
    y0, x0 = np.unravel_index(IDX[i,0],(q,q))
    for x in range(ps):
        for y in range(ps):
            if (x0+x < q) and (y0+y < q):
                img[x0+x,y0+y] = 2.0
    I[i] = img.reshape(1,q*q)

myplot(I)

1 回复 | 直到 6 年前

Brenlla 6 年前

是的,这是可以做到的,但是需要大量使用 np.broadcasting .

生成数据和 I :

import time

N = 10000
q = 28
P = q*q
ps = 3 
I = np.random.rand(N,P)
IDX = np.random.randint(0,P,(N,1))
I_copy = I.copy()

现在运行循环解决方案。我切换 x0 和 y0 :

t0=time.clock()
for i in range(N):
    img = I[i].reshape(q,q)
    x0, y0 = np.unravel_index(IDX[i,0],(q,q))
    for x in range(ps):
        for y in range(ps):
            if (x0+x < q) and (y0+y < q):
                img[x0+x,y0+y] = 2.0
    I[i] = img.reshape(1,q*q)
print('With loop: {:.2f} ms'.format(time.clock()*1e3-t0*1e3))

在我的机器上大约276毫秒。现在广播:

t0 = time.clock()
x_shift, y_shift = np.meshgrid(range(ps), range(ps))
x, y = np.unravel_index(IDX, (q,q))
#roi for region of interest
roix = x[:,:,None]+x_shift; 
roiy = y[:,:,None]+y_shift;
roix[roix>q-1] = q-1; roiy[roiy>q-1] = q-1;
I_copy.reshape(N,q,q)[np.arange(N)[:, None, None], roix, roiy] = 2.0

print('No loop: {:.2f} ms'.format(time.clock()*1e3-t0*1e3))

print(np.array_equal(I, I_copy))

大约快80倍