[英]I Need a fast way to loop through pixels of an Image/Stack in Python
我创建了一个3D中值滤镜,它可以正常工作,并且如下所示:
def Median_Filter_3D(image,kernel):
window = np.zeros(shape=(kernel,kernel,kernel), dtype = np.uint8)
n = (kernel-1)/2 #Deals with Image border
imgout = np.empty_like(image)
w,h,l = image.shape()
每个像素的%%启动循环
for y in np.arange(0,(w-n*2),1):
for x in np.arange(0,(h-n*2),1):
for z in np.arange(0,(l-n*2),1):
window[:,:,:] = image[x:x+kernel,y:y+kernel,z:z+kernel]
med = np.median(window)
imgout[x+n,y+n,z+n] = med
return(imgout)
因此,在每个像素处,它都会创建一个大小为kernelxkernelxkernel的窗口,找到该窗口中像素的中值,然后用新的中值替换该像素的值。
我的问题是,它非常缓慢,我需要处理数千个大图像。 必须有一种更快的方法来遍历所有这些像素,并且仍然能够获得相同的结果。
提前致谢!!
首先,在python中循环3D矩阵是一个非常非常非常糟糕的主意。 为了循环大型3D矩阵,最好使用Cython或C / C ++ / Fortran并创建python扩展。 但是,对于这种特殊情况,scipy已经包含n维数组的中值滤波器的实现:
>>> from scipy.ndimage import median_filter
>>> median_filter(my_large_3d_array, radious)
简而言之,没有更快的方法来遍历python中的体素(也许numpy迭代器会有所帮助,但不会显着提高性能)。 如果您需要在python中执行更复杂的3D内容,则应考虑在Cython的循环接口中进行编程,或者使用诸如Dask之类的分块库进行编程 ,该库可对数组的块实现并行操作。
Python的问题在于for
循环非常慢,特别是如果它们是嵌套的并且有大数组的话。 因此,没有用于在数组上获得有效迭代的标准pythonic方法。 通常,提高速度的方法是通过矢量化操作和numpy-ticks,但是这些都是非常特定于问题的,并且没有通用技巧 ,您将在SO中学到很多numpy技巧。
作为一种通用方法,如果确实需要遍历数组,则可以使用Cython编写代码。 Cython是Python的类似C的扩展。 您可以使用Python语法编写代码,但要指定变量类型(例如在C中使用int
或float
。然后该代码会自动编译为C并可以从python调用。一个简单的示例:
import numpy as np
def iter_A(A):
B = np.empty(A.shape, dtype=np.float64)
for i in range(A.shape[0]):
for j in range(A.shape[1]):
B[i, j] = A[i, j] * 2
return B
我知道上面的代码有点多余,可以写成B = A * 2
,但是它的目的只是为了说明python循环非常慢。
import numpy as np
cimport numpy as np
def iter_A_cy(double[:, ::1] A):
cdef Py_ssize_t H = A.shape[0], W = A.shape[1]
cdef double[:, ::1] B = np.empty((H, W), dtype=np.float64)
cdef Py_ssize_t i, j
for i in range(H):
for j in range(W):
B[i, j] = A[i, j] * 2
return np.asarray(B)
>>> import numpy as np
>>> A = np.random.randn(1000, 1000)
>>> %timeit iter_A(A)
1 loop, best of 3: 399 ms per loop
>>> %timeit iter_A_cy(A)
100 loops, best of 3: 2.11 ms per loop
注意:您不能照原样运行Cython函数。 您需要将其放在单独的文件中并首先进行编译(或在IPython Notebook中使用%%cython
magic)。
这表明,原Python版本花了400ms
来迭代整个阵列,而这只是 2ms
为用Cython版本( x200
加速)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.