python - 使用 Numpy 数组操作将 RGB 格式化为十六进制

Question

我的目标是尽快将像素列表从 RGB 转换为十六进制。格式是 Numpy 维数组(rgb 颜色空间)，理想情况下它将从 RGB 转换为 Hex 并保持其形状。

我尝试使用列表推导来解决这个问题，除了性能之外，它解决了这个问题。在性能方面，添加 ravel 和列表理解确实会减慢速度。不幸的是，我只是不知道足够的数学知识来知道如何加快速度的解决方案:

已编辑:更新代码以反射(reflect)最近的更改。当前在 35,000 像素图像上运行大约 24 毫秒。

def np_array_to_hex(array):
    array = np.asarray(array, dtype='uint32')
    array = (1 << 24) + ((array[:, :, 0]<<16) + (array[:, :, 1]<<8) + array[:, :, 2])
    return [hex(x)[-6:] for x in array.ravel()]

>>> np_array_to_hex(img)
['afb3bc', 'abaeb5', 'b3b4b9', ..., '8b9dab', '92a4b2', '9caebc']

Answer 1

我用 LUT(“查找表”)尝试了它 - 初始化需要几秒钟，它使用 100MB (0.1GB) 的 RAM，但这是一个很小的摊销代价超过一百万张图片:

#!/usr/bin/env python3

import numpy as np

def np_array_to_hex1(array):
    array = np.asarray(array, dtype='uint32')
    array = ((array[:, :, 0]<<16) + (array[:, :, 1]<<8) + array[:, :, 2])
    return array

def np_array_to_hex2(array):
    array = np.asarray(array, dtype='uint32')
    array = (1 << 24) + ((array[:, :, 0]<<16) + (array[:, :, 1]<<8) + array[:, :, 2])
    return [hex(x)[-6:] for x in array.ravel()]

def me(array, LUT):
    h, w, d = array.shape
    # Reshape to a color vector
    z = np.reshape(array,(-1,3))
    # Make array and fill with 32-bit colour number
    y = np.zeros((h*w),dtype=np.uint32) 
    y = z[:,0]*65536 + z[:,1]*256 + z[:,2] 
    return LUT[y] 

# Define dummy image of 35,000 RGB pixels
w,h = 175, 200
im = np.random.randint(0,256,(h,w,3),dtype=np.uint8)

# %timeit np_array_to_hex1(im)
# 112 µs ± 1.1 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# %timeit np_array_to_hex2(im)
# 8.42 ms ± 136 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# This may take time to set up, but amortize that over a million images...
LUT = np.zeros((256*256*256),dtype='a6') 
for i in range(256*256*256): 
    h = hex(i)[2:].zfill(6)
    LUT[i] = h

# %timeit me(im,LUT)
# 499 µs ± 8.15 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

所以这看起来比你最快但不起作用的慢 4 倍，比你最慢但起作用的快 17 倍。

我的下一个建议是使用多线程或多处理，这样你的所有 CPU 内核就会并行忙碌，并且假设你有一个相当现代的 4 核以上的 CPU，将你的总时间减少 4 倍或更多。