OpenCV Python：3通道float32图像读取的快速解决方案？

Question

我需要类型为float32 3通道RBG排序彩色图像，其值在每个颜色通道的间隔[0.0, 1.0]中。

这是我目前的解决方案：

def read_images(imagelist):
    buffer = list()
    for f in imagelist:
        # load single image, convert to float32
        img = cv2.imread(f).astype(np.float32)
        # change interval from [0, 255] to [0.0, 1.0]
        img /= 255.0
        # leave out alpha channel, if any
        if img.shape[2] == 4:
           img = img[:, :, 0:3]
        buffer.append(img)
    return np.array(buffer)

之后，在图像处理程序中，我将BGR更改为RGB排序（因为cv2的imread默认以BGR顺序读取图像）。

对于大型图像集来说，这个过程非常耗时：我正在加载数千个图像进行预处理，然后将图像提供给TensorFlow中实现的一些神经网络。

有没有办法改善这种方法的性能？

Answer 1

通过这种方法，您可以做的不是太多，以加快您的图像阅读速度。 我想Matplotlib可能会更快，因为它直接读取浮点数并按RGB顺序读取，但即使在转换类型和通道顺序后，它也会像OpenCV一样慢三倍。 PIL比Matplotlib快一点，但速度仍然是OpenCV的两倍，所以没有帮助，scikit-image与PIL速度大致相同：

import matplotlib.image as mpimg
import cv2
import numpy as np
from skimage import io
from PIL import Image

import timeit
times = range(1000)

# matplotlib
start_time = timeit.default_timer()
for t in times:
    img = mpimg.imread('img1.png')
print("mpimg.imread(): ", timeit.default_timer() - start_time, "s")

# OpenCV
start_time = timeit.default_timer()
for t in times:
    img = cv2.cvtColor(
        cv2.imread('img1.png'), cv2.COLOR_BGR2RGB).astype(np.float32)/255.0
print("cv2.imread(): ", timeit.default_timer() - start_time, "s")

# scikit-image
start_time = timeit.default_timer()
for t in times:
    img = io.imread('img1.png').astype(np.float32)/255.0
print("io.imread(): ", timeit.default_timer() - start_time, "s")

# PIL
start_time = timeit.default_timer()
for t in times:
    img = np.asarray(Image.open('img1.png')).astype(np.float32)/255.0
print("Image.open(): ", timeit.default_timer() - start_time, "s")

mpimg.imread（）：37.68960806101677 s
cv2.imread（）：13.830177563999314 s
io.imread（）：29.395271296001738 s
Image.open（）：26.633562815986807 s

相反，通过读取所有图像并将它们保存为更好的读取格式（即直接从字节读取）而不是使用图像读取器来预处理可能更好。 您可以序列化（泡菜）的图像转换成.p或.pickle文件，然后直接将数据装载到一个列表。 这样你就必须只进行一次慢速加载。 正如DanMašek在评论中所述，腌制文件意味着将它们解压缩为原始数据，因此文件大小会更大。 您可以使用正确的类型和通道顺序创建与现在相同的列表（缓冲区），然后选择列表; 当你需要训练时，你可以加载泡菜文件; 它的方式更快，超级简单：

with open(training_file, mode='rb') as f:
    training_data = pickle.load(f)