是否有更快的方法使用numpy中的矢量化操作从大型二维数组恢复图像

Question

我有一个尺寸为nx 1008的大型2-D数组（通常为0.5至2GB）。该数组包含多个图像，并且数组中的值实际上是像素值。 基本上，恢复这些图像的方法如下

1. 开始遍历数组。
2. 采取前260行，即您将拥有260 * 1008 = 262080的值。
3. 对于第261行，仅采用前64个值（该行中的其余值为垃圾值）。 因此，现在我们有了262144个像素值。
4. 将所有这些值转储到一维数组中，例如dump，然后执行np.reshape（dump，（512,512）））获得图像。 请注意512x512 = 262144
5. 从第262行开始重复同样的事情。

这是我的解决方案

counter=0
dump=np.array([], dtype=np.uint16)
#pixelDat is the array shaped n x 1008 containing the pixel values
for j in xrange(len(pixelDat)):
    #Check if it is the last row for a particular image
    if(j == (260*(counter+1)+ counter)):
        counter += 1
        dump=np.append(dump, pixelDat[j][:64])
        #Reshape dump to form the image and write it to a fits file
        hdu = fits.PrimaryHDU(np.reshape(dump, (512,512)))
        hdu.writeto('img'+str("{0:0>4}".format(counter))+'.fits', clobber=True)
        #Clear dump to enable formation of next image
        dump=np.array([], dtype=np.uint16)
    else:
        dump=np.append(dump, pixelDat[j])

我一直在想是否有办法加快整个过程。 我想到的第一件事是使用矢量化的numpy操作。 但是我不太确定如何在这种情况下应用它。

PS：不要担心装配和hdu部分。 它只是为我的图像创建一个.fits文件。

Answer 1

这是尝试使用flattening和np.split 。 它避免了复制数据。

def chop_up(pixelDat):
    sh = pixelDat.shape
    try:
        # since the array is large we do not want a copy
        # the next line will succeed only if we can reshape in-place
        pixelDat.shape = -1
    except:
        return False # user must resort to other method
    N = len(pixelDat)
    split = (np.arange(0, N, 261*1008)[:, None] + (0, 512*512)).ravel()[1:]
    if split[-1] > N:
       split = split[:-2]
    result = [x.reshape(512,512) for x in np.split(pixelDat, split) if len(x) == 512*512]
    pixelDat.shape = sh
    return result