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。
下面的代码大致可以满足我的要求,但它丑陋且效率低下,并且会生成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实现相同的结果?
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)
最佳答案
你正在做的是halftoning你的形象。
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) 可以大大简化事情。由于 LUT 很小,您不必担心就地做事或不创建 bool 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 x5 的加速,这不是坏事,我想......
关于python - 使用 numpy 高效地将 16 位图像数据转换为 8 位显示,具有强度缩放,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14464449/