python - 分析图像中每个子窗口的更快方法？

Question

我正在尝试计算图像中子窗口的熵特征。这是我写的代码:

  def genHist(img):
    hist = np.histogram(img, np.arange(0, 256), normed=True)
    return hist[0]

  def calcEntropy(hist):
    logs = np.nan_to_num(np.log2(hist))
    hist_loghist = hist * logs
    entropy = -1 * hist_loghist.sum()
    return entropy  

   img = cv2.imread("lena.jpg", 0)
   result = np.zeros(img.shape, dtype=np.float16)
   h, w = img.shape
   subwin_size = 5
   for y in xrange(subwin_size, h-subwin_size):
       for x in xrange(subwin_size, w-subwin_size):
           subwin = img[y-subwin_size:y+subwin_size, x-subwin_size:x+subwin_size]
           hist = genHist(subwin)         # Generate histogram
           entropy = calcEntropy(hist)    # Calculate entropy
           result[y, x] = entropy

实际上，它有效。但问题是它的速度，太慢了。你有什么想法让它变快吗？

Answer 1

您可以进行一些修改以使其更快。

您的代码在我的笔记本电脑上需要以下时间:

IPython CPU timings (estimated):
  User   :      50.92 s.
  System :       0.01 s.
Wall time:      51.20 s.

我做了以下修改:

1 - 删除函数 genHist 并在 calcEntropy() 中实现它。它会保存，可能是 1 或 2 秒。

2 - 而不是 logs = np.nan_to_num(np.log2(hist))，我只是在找到日志之前向 hist 添加了一个小值 0.00001。 logs = np.log2(hist+0.00001)。它将节省 3-4 秒，但它会稍微改变您的输出。我得到的两个结果之间的最大误差是 0.0039062。 (所以要不要这个就看你自己了)

3 - 将 np.histogram 更改为 cv2.calcHist()。 它将节省超过 25 秒。

现在，代码在我的笔记本电脑上花费的时间如下:

IPython CPU timings (estimated):
  User   :      13.38 s.
  System :       0.00 s.
Wall time:      13.41 s.

速度提高了 3 倍以上。

代码:

def calcEntropy(img):
    #hist,_ = np.histogram(img, np.arange(0, 256), normed=True)
    hist = cv2.calcHist([img],[0],None,[256],[0,256])
    hist = hist.ravel()/hist.sum()
    #logs = np.nan_to_num(np.log2(hist))
    logs = np.log2(hist+0.00001)
    #hist_loghist = hist * logs
    entropy = -1 * (hist*logs).sum()
    return entropy  

img = cv2.imread("lena.jpg", 0)
result2 = np.zeros(img.shape, dtype=np.float16)
h, w = img.shape
subwin_size = 5
for y in xrange(subwin_size, h-subwin_size):
   for x in xrange(subwin_size, w-subwin_size):
       subwin = img[y-subwin_size:y+subwin_size, x-subwin_size:x+subwin_size]
       #hist = genHist(subwin)         # Generate histogram
       entropy = calcEntropy(subwin)    # Calculate entropy
       result2.itemset(y,x,entropy)

现在的主要问题是两个for循环。我认为它是 Cython 实现的最佳候选者，并且会产生非常好的结果。