[英]Using numpy to efficiently convert 16-bit image data to 8 bit for display, with intensity scaling
我经常将 16 位灰度图像数据转换为 8 位图像数据进行显示。 调整最小和最大显示强度以突出图像的“有趣”部分几乎总是有用的。
下面的代码大致完成了我想要的,但它丑陋且效率低下,并且制作了许多图像数据的中间副本。 如何以最少的内存占用和处理时间获得相同的结果?
import numpy
image_data = numpy.random.randint( #Realistic images would be much larger
low=100, high=14000, size=(1, 5, 5)).astype(numpy.uint16)
display_min = 1000
display_max = 10000.0
print(image_data)
threshold_image = ((image_data.astype(float) - display_min) *
(image_data > display_min))
print(threshold_image)
scaled_image = (threshold_image * (255. / (display_max - display_min)))
scaled_image[scaled_image > 255] = 255
print(scaled_image)
display_this_image = scaled_image.astype(numpy.uint8)
print(display_this_image)
您正在做的是对您的图像进行半色调处理。
其他人提出的方法效果很好,但他们一遍又一遍地重复大量昂贵的计算。 由于在uint16
中最多有 65,536 个不同的值,因此使用查找表 (LUT) 可以简化很多事情。 而且由于 LUT 很小,您不必担心就地做事或不创建布尔数组。 以下代码重用了 Bi Rico 的函数来创建 LUT:
import numpy as np
import timeit
rows, cols = 768, 1024
image = np.random.randint(100, 14000,
size=(1, rows, cols)).astype(np.uint16)
display_min = 1000
display_max = 10000
def display(image, display_min, display_max): # copied from Bi Rico
# Here I set copy=True in order to ensure the original image is not
# modified. If you don't mind modifying the original image, you can
# set copy=False or skip this step.
image = np.array(image, copy=True)
image.clip(display_min, display_max, out=image)
image -= display_min
np.floor_divide(image, (display_max - display_min + 1) / 256,
out=image, casting='unsafe')
return image.astype(np.uint8)
def lut_display(image, display_min, display_max) :
lut = np.arange(2**16, dtype='uint16')
lut = display(lut, display_min, display_max)
return np.take(lut, image)
>>> np.all(display(image, display_min, display_max) ==
lut_display(image, display_min, display_max))
True
>>> timeit.timeit('display(image, display_min, display_max)',
'from __main__ import display, image, display_min, display_max',
number=10)
0.304813282062
>>> timeit.timeit('lut_display(image, display_min, display_max)',
'from __main__ import lut_display, image, display_min, display_max',
number=10)
0.0591987428298
所以有一个 x5 加速,这不是一件坏事,我想......
为了减少内存使用,就地进行裁剪并避免创建布尔数组。
dataf = image_data.astype(float)
numpy.clip(dataf, display_min, display_max, out=dataf)
dataf -= display_min
datab = ((255. / (display_max - display_min)) * dataf).astype(numpy.uint8)
如果您将裁剪限制保留为整数值,您可以交替执行以下操作:
numpy.clip(image_data, display_min, display_max, out=image_data)
image_data-= display_min
datab = numpy.empty_like(image_data)
numpy.multiply(255. / (display_max - display_min), image_data, out=datab)
注意:在创建uint8
数组之前,仍会在最后一行创建临时浮点数组。
我会避免将图像投射到浮动,您可以执行以下操作:
import numpy as np
def display(image, display_min, display_max):
# Here I set copy=True in order to ensure the original image is not
# modified. If you don't mind modifying the original image, you can
# set copy=False or skip this step.
image = np.array(image, copy=True)
image.clip(display_min, display_max, out=image)
image -= display_min
image //= (display_min - display_max + 1) / 256.
image = image.astype(np.uint8)
# Display image
在这里,图像的可选副本以其本机数据类型制作,最后一行制作了 8 位副本。
这是我在此解决方案下的评论中在交叉验证板上找到的答案https://stats.stackexchange.com/a/70808/277040
基本上用于从 uint16 转换为 uint8 算法看起来像这样
a = (255 - 0) / (65535 - 0)
b = 255 - a * 65535
newvalue = (a * img + b).astype(np.uint8)
通用版本看起来像这样
def convert(img, target_type_min, target_type_max, target_type):
imin = img.min()
imax = img.max()
a = (target_type_max - target_type_min) / (imax - imin)
b = target_type_max - a * imax
new_img = (a * img + b).astype(target_type)
return new_img
例如
imgu8 = convert(img16u, 0, 255, np.uint8)
我知道这是一个旧的胎面,但我们现在有了 gpu 加速的cupy。 使用cupy总是更快(来自Jaime的两种方法都以更接近的速度运行)使用cupy。
import numpy as np
import cupy as cp
import timeit
rows, cols = 768, 1024
image = np.random.randint(100, 14000,
size=(1, rows, cols)).astype(np.uint16)
display_min = 1000
display_max = 10000
def display(image, display_min, display_max): # copied from Bi Rico
# Here I set copy=True in order to ensure the original image is not
# modified. If you don't mind modifying the original image, you can
# set copy=False or skip this step.
image = np.array(image, copy=True)
image.clip(display_min, display_max, out=image)
image -= display_min
np.floor_divide(image, (display_max - display_min + 1) / 256,
out=image, casting='unsafe')
return image.astype(np.uint8)
def lut_display(image, display_min, display_max) :
lut = np.arange(2**16, dtype='uint16')
lut = display(lut, display_min, display_max)
return np.take(lut, image)
def displaycp(image2, display_min, display_max): # copied from Bi Rico
# Here I set copy=True in order to ensure the original image is not
# modified. If you don't mind modifying the original image, you can
# set copy=False or skip this step.
image2 = cp.array(image2, copy=True)
image2.clip(display_min, display_max, out=image2)
image2 -= display_min
cp.floor_divide(image2, (display_max - display_min + 1) / 256,
out=image2, casting='unsafe')
return image2.astype(cp.uint8)
def lut_displaycp(image2, display_min, display_max) :
lut = cp.arange(2**16, dtype='uint16')
lut = displaycp(lut, display_min, display_max)
return cp.take(lut, image2)
np.all(display(image, display_min, display_max) ==
lut_display(image, display_min, display_max))
imagecp = cp.asarray(image)
type(imagecp)
cp.all(displaycp(imagecp, display_min, display_max) ==
lut_displaycp(imagecp, display_min, display_max))
np.all(cp.asnumpy(displaycp(imagecp, display_min, display_max)) ==
display(image, display_min, display_max))
时间安排
timeit.timeit('display(image, display_min, display_max)',
'from __main__ import display, image, display_min, display_max',
number=100)
1.2715457340000285
timeit.timeit('lut_display(image, display_min, display_max)',
'from __main__ import lut_display, image, display_min, display_max',
number=100)
0.27357000399933895
timeit.timeit('displaycp(imagecp, display_min, display_max)',
'from __main__ import displaycp, imagecp, display_min, display_max',
number=100)
0.018452465999871492
timeit.timeit('lut_displaycp(imagecp, display_min, display_max)',
'from __main__ import lut_displaycp, imagecp, display_min, display_max',
number=100)
0.015030614999886893
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.