以索引為參數將映射函數應用於ndarray的每個成員

Question

我有一個ndarray表示形狀為（width，height，3）的RGB圖像，我希望用自身的某些功能，其位置和所屬顏色通道的結果替換每個值。 在三個嵌套的for循環中這樣做非常慢，有沒有辦法將其表示為本地數組操作？

編輯：尋找就地解決方案-一種不涉及創建另一個O（width x height）ndarray的解決方案（除非numpy具有某種魔術作用，可以阻止這種ndarray的實際分配）

Answer 1

我不確定您的問題是否正確！ 我了解到的是，您希望基於RGB圖像的每個通道的對應索引對其應用映射，如果是這樣，則MIGHT下面的代碼會有所幫助，因為您的問題中沒有可用的詳細信息。

import numpy as np

bit_depth = 8
patch_size = 32    

def lut_generator(constant_multiplier):
    x = np.arange(2 ** bit_depth)
    y = constant_multiplier * x
    return dict(zip(x, y))


rgb = np.random.randint(0, (2**bit_depth), (patch_size, patch_size, 3))
# Considering a simple lookup table without using indices.
lut = lut_generator(5)

# splitting three channels followed and their respective indices.
# You can use indexes wherever you need them.
r, g, b = np.dsplit(rgb, rgb.shape[-1])
indexes = np.arange(rgb.size).reshape(rgb.shape)
r_idx, g_idx, b_idx = np.dsplit(indexes, indexes.shape[-1])

# Apply transformation on each channel.
transformed_r = np.vectorize(lut.get)(r)
transformed_g = np.vectorize(lut.get)(g)
transformed_b = np.vectorize(lut.get)(b)

祝好運！

Answer 2

注意許多注釋中的限定條件，直接使用numpy算術通常會更容易，更快捷。

import numpy as np

def test(item, ix0, ix1, ix2):
    # A function with the required signature. This you customise to suit.
    return item*(ix0+ix1+ix2)//202

def make_function_for(arr, f):
''' where arr is a 3D numpy array and f is a function taking four arguments.
        item : the item from the array
        ix0 ... ix2 : the three indices
    it returns the required result from these 4 arguments. 
'''
    def user_f(ix0, ix1, ix2):
        # np.fromfunction requires only the three indices as arguments.
        ix0=ix0.astype(np.int32)
        ix1=ix1.astype(np.int32)
        ix2=ix2.astype(np.int32)
        return f(arr[ix0, ix1, ix2], ix0, ix1, ix2)
    return user_f
    # user_f is a function suitable for calling in np.fromfunction

a=np.arange(100*100*3)
a.shape=100,100,3
a[...]=np.fromfunction(make_function_for(a, test), a.shape)

我的測試功能非常簡單，因此我可以在numpy中進行。

使用from函數：

%timeit np.fromfunction(make_function_for(a, test), a.shape)
5.7 ms ± 346 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

使用numpy算法：

def alt_func(arr):
    temp=np.add.outer(np.arange(arr.shape[0]), np.arange(arr.shape[1]))
    temp=np.add.outer(temp,np.arange(arr.shape[2]))
    return arr*temp//202

%timeit alt_func(a)
967 µs ± 4.94 µs per loop  (mean ± std. dev. of 7 runs, 1000 loops each)

因此，在這種情況下，numpy算術在我的計算機上幾乎快6倍。

編輯糾正我看似不可避免的錯別字！