[英]Python if-elif-else runtime optimization
我對上一個問題進行了搜索,但是沒有找到優化代碼的條件。
有關信息,我在Python 2.7上運行,但如果需要可以更改為3
我正在轉換圖像的每個像素,由於某些條件,我必須逐像素進行轉換。 因此,我在其中嵌套了if-elif-else語句的for循環,這需要很長時間才能運行。 對於1536 x 2640的圖像,整個代碼需要約20秒的時間,而90%的時間在這個double for循環內
我相信應該有更好的方法來編寫以下代碼
for pixel in range(width):
for row in range(height):
ADC = img_original[row, pixel]
if ADC < 84:
gain = gain1
offset = offset1
elif ADC > 153:
gain = gain3
offset = offset3
else:
gain = gain2
offset = offset2
Conv_ADC = int(min(max(ADC * gain + offset, 0),255))
img_conv[row, pixel] = Conv_ADC
謝謝您的幫助
編輯其他詳細信息:
@Jean-FrançoisFabre是正確的,我將根據在0到255之間的哪個部分來應用三個不同的增益/偏移。但是該部分並不總是均勻分布的,可以修改。 也許要提供一些附加的上下文,我只是在圖像上應用自定義S曲線以向上/向下移動像素值。 圖像中的每一列都有自己的S曲線
我的gain1,2,3 / offset1,2,3的值是浮點數。 增益將始終為正,偏移量可以為負或正。我在寬度方向上每個像素都有一個單獨的值,但在行方向上是相同的。
例如,第1列的所有像素都可以使用下表第一行的增益/偏移1,2,3。 圖像中第2列的所有像素將使用下表中第2行的增益/偏移
Pixel Gain1 Offset1 Gain2 Offset2 Gain3 Offset3
1 0.417722 24.911392 0.623188 7.652176 1.175676 -76.878357
2 0.43038 25.848103 0.623188 9.652176 1.148649 -70.743225
3 0.443038 23.784809 0.637681 7.434776 1.175676 -74.878357
4 0.443038 22.784809 0.652174 5.217384 1.175676 -74.878357
5 0.455696 23.721519 0.637681 8.434776 1.202703 -78.013519
6 0.455696 21.721519 0.637681 6.434776 1.243243 -86.216217
7 0.455696 22.721519 0.623188 8.652176 1.216216 -82.081085
8 0.443038 22.784809 0.623188 7.652176 1.22973 -85.148651
... until pixel 2640 in width direction
我將研究@Jean-FrançoisFabre解決方案,但與此同時,我也正在研究使用一些麻木的方法。
一旦獲得計算速度更快的內容,我將在這里發布我的發現
由於您的值介於0到255之間,並且邊界是均勻分布的,因此可以使用以下技巧:
您似乎要應用3種不同的增益,具體取決於您位於0-255范圍的前三分之一,后三分之一還是后三分之一。
為什么不通過除以85(255/3)來計算索引?
簡單的概念證明:
gainsoffsets = [(10,1),(20,2),(30,3),(30,3)] # [(gain1,offset1),(gain2,offset2),(gain3,offset3)] + extra corner case for value 255
for value in 84,140,250:
index = value // 85
gain,offset = gainsoffsets[index]
print(gain,offset)
結果:
10 1
20 2
30 3
在此循環中,只有一個除法,而沒有if
。 應該更快(除了numpy
方法)
您可以使用更精確的查詢表(也可以通過生成256個元組來避免除法):
gainsoffsets = [(10,1)]*85+[(20,2)]*85+[(30,3)*86] # add more intervals for more thresholds
嘗試使用查找表:您預先計算了[0,255]
范圍內的所有轉換ADC值,並且循環體將簡化
for pixel in range(width):
for row in range(height):
img_conv[row, pixel]= LUT[img_original[row, pixel]]
這是我用來刪除2 for循環的最終實現。 每張圖像下降到約1〜2秒
我正在創建3數組,當它不在我想要的范圍內時,我將內容替換為0。 然后在每個相加之前進行增益乘法和偏移
height = img_original.shape[0]
width = img_original.shape[1]
print 'height = ', height, 'width = ', width
# create temp 3 2D-arrays
img1 = np.array(img_original,dtype=np.int)
img2 = np.array(img_original,dtype=np.int)
img3 = np.array(img_original,dtype=np.int)
#create the 2D array for gain/offset based on 1D array
# csv array acquire from .csv file, INDEX_xx for column to read
array_gain1 = np.tile(csv[1:, INDEX_G1],(height,1))
array_offset1 = np.tile(csv[1:, INDEX_O1],(height,1))
array_gain2 = np.tile(csv[1:, INDEX_G2],(height,1))
array_offset2 = np.tile(csv[1:, INDEX_O2],(height,1))
array_gain3 = np.tile(csv[1:, INDEX_G3],(height,1))
array_offset3 = np.tile(csv[1:, INDEX_O3],(height,1))
# replace the content by 0 when not in the desired zone
np.place(img1,img_original >= G2_TARGET, 0)
np.place(img2,img_original < G2_TARGET,0)
np.place(img2,img_original > G1_TARGET,0)
np.place(img3,img_original <= G1_TARGET, 0)
np.place(array_offset1,img_original >= G2_TARGET, 0)
np.place(array_offset2,(img_original < G2_TARGET), 0)
np.place(array_offset2,(img_original > G1_TARGET), 0)
np.place(array_offset3,img_original <= G1_TARGET, 0)
# apply the gain/offset for each zone
img1 = np.array(img1 * array_gain1 + array_offset1, dtype=np.uint8)
img2 = np.array(img2 * array_gain2 + array_offset2, dtype=np.uint8)
img3 = np.array(img3 * array_gain3 + array_offset3, dtype=np.uint8)
# recrete the whole image
img_conv = np.clip(img1 + img2 + img3, 0, 255)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.