我正在寻求有关如何提高此计算速度的帮助。我想做的是访问每个像素并对其进行一些数学运算,然后使用新的像素计算来创建新图像。我正在通过数千个小图像来运行此过程,这些过程需要1小时以上的时间。任何帮助,将不胜感激,谢谢。
image=cv2.imread('image.png')
height, width, depth = image.shape
for i in range(0, height):
for j in range (0, width):
B = float(image.item(i,j,0)) #blue channel of image
R=float(image.item(i,j,2)) #red channel of image
num = R-B
den = R+B
if den == 0:
NEW=1
else:
NEW = ((num/den)*255.0)
NEW = min(NEW,255.0)
NEW = max(NEW,0.0)
image[i,j] = NEW #Sets all BGR channels to NEW value
cv2.imwrite('newImage.png',image)
最佳答案
删除双for-loop
。 NumPy加快速度的关键是立即对整个阵列进行操作:
image = cv2.imread('image.png')
height, width, depth = image.shape
image = image.astype('float')
B, G, R = image[:, :, 0], image[:, :, 1], image[:, :, 2]
num = R - B
den = R + B
image = np.where(den == 0, 1, (num/den)*255.0).clip(0.0, 255.0)
cv2.imwrite('newImage.png',image)
通过在整个数组上调用NumPy函数(而不是对标量像素值执行Python操作),您可以将大部分计算工作卸载到NumPy函数调用的快速C / C++ / Cython(或Fortran)编译代码中。
关于python - 如何使用NumPy提高像素数学速度,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27929780/