我有一个 3-d Numpy 数组 flow
如下:
flow = np.random.uniform(low=-1.0, high=1.0, size=(720,1280,2))
# Suppose flow[0] are x-coordinates. flow[1] are y-coordinates.
需要计算每个 x,y 点的角度。以下是我的实现方式:
def calcAngle(a):
assert(len(a) == 2)
(x, y) = a
# angle_deg = 0
angle_deg = np.angle(x + y * 1j, deg=True)
return angle_deg
fangle = np.apply_along_axis(calcAngle, axis=2, arr=flow)
# The above statement takes 14.0389318466 to execute
在我的 Macbook Pro 上执行每个点的角度计算需要 14.0389318466 秒
。
有没有一种方法可以加快速度,可能是通过使用一些矩阵运算,而不是一次处理一个像素。
最佳答案
您可以使用 numpy.arctan2()
获取以弧度为单位的角度,然后使用 numpy.rad2deg()
转换为度数:
fangle = np.rad2deg(np.arctan2(flow[:,:,1], flow[:,:,0]))
在我的电脑上,这比 Divakar 的版本快一点:
In [17]: %timeit np.angle(flow[...,0] + flow[...,1] * 1j, deg=True)
10 loops, best of 3: 44.5 ms per loop
In [18]: %timeit np.rad2deg(np.arctan2(flow[:,:,1], flow[:,:,0]))
10 loops, best of 3: 35.4 ms per loop
使用 np.angle()
的一种更有效的方法是创建一个复杂的 flow
View 。如果 flow
是类型为 np.float64
且形状为 (m, n, 2)
的数组,则 flow.view(np .complex128)[:,:,0]
将是 np.complex128
类型的数组,形状为 (m, n)
:
fangle = np.angle(flow.view(np.complex128)[:,:,0], deg=True)
这似乎比使用 arctan2
后跟 rad2deg
快一点点(但差异并不远高于 timeit
的测量噪音):
In [47]: %timeit np.angle(flow.view(np.complex128)[:,:,0], deg=True)
10 loops, best of 3: 35 ms per loop
请注意,如果 flow
创建为某个其他数组的转置,或者使用大于 1 的步长创建为另一个数组的切片,则这可能不起作用。
关于python - 加快矩阵中每个 x,y 点的角度计算,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45048478/