更快的图像归一化（numpy 数组）

Question

我有一个函数，可以将一些图像作为输入并以平均值为96的方式更改它的值（比例）。 这是函数：

def normalize_image(image: np.ndarray):
    image_median = np.median(image[image > 0])
    image = image * 96.0 / image_median
    image[image > 255] = 255
    return image

我正在使用 python 3.5.3 和 numpy 1.15.2。 我用 cProfile 分析了我的代码，结果发现这个函数只需要 6% 的时间（在某些情况下高达 25% 的时间）只有 50 次调用。 这些数组的形状为 (155,256,256)。

我在优化 python 方面不是很有经验，我想知道这是否可以以某种方式做得更快？

通常我会从使用 SIMD 优化开始，但 numpy 已经大量使用它们。

Answer 1

在这里，您可以快速完成的事情并不多。

您已经以矢量化方式使用 NumPy，因此在内部执行的 C 代码可能已经非常优化。

中位数的计算可能比计算均值花费的时间长得多（因为涉及排序）。 考虑更换它。

添加一些括号应该可以节省数组的除法

image = image * (96.0 / image_median)

因为在同等优先级的运算符之间 Python 从左到右。