- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
目前,我已经编写了一些插入管道的 Python 代码。
传入的数据以 numpy 形状数组形式出现 (1,512,19,25)。我使用 scipy.ndimage.interpolation.zoom
使阵列成形(1,512,38,50)。这可以通过对函数的一次调用来完成。基本上,它将每个 (19,25) 块的大小调整为 (38,50)。
在代码的后面,当数据以另一种方式移动时,不同的数据再次从另一个方向 (38,50) 调整为 (19,25)。
一切都按实现方式工作,但是我发现这真的很慢。例如,我测试了 scipy.ndimage.interpolation.zoom
调整图像文件大小的函数,它比 Matlab 的 imresize
慢得多功能。
在 Python 中执行此操作的更快方法是什么?
最佳答案
TLDR; 查看 Skimage 的 pyramid_gaussian .在 (512, 512) 的单个图像上,它显示了 0.3M 倍的加速。 (163 毫秒/471 纳秒 = 346072)。 Pillow-SIMD是否super-fast重新采样/调整大小,但需要您在安装之前卸载 PIL、Pillow。它使用并行处理(单指令、多数据 - SIMD)和更好的算法,例如用顺序框模糊替换基于卷积的高斯模糊。建议在设置单独的 venv
后将其用于生产环境.
有多种方法可以对图像进行上采样和下采样。我将添加一些我使用过的方法的基准。当我遇到更多方法时,我会不断更新这个答案,以便这可以作为其他人的引用。
#Utility function for plotting original, upsampled, and downsampled image
def plotit(img, up, down):
fig, axes = plt.subplots(1,3, figsize=(10,15))
axes[0].imshow(img)
axes[1].imshow(up)
axes[2].imshow(down)
axes[0].title.set_text('Original')
axes[1].title.set_text('Upsample')
axes[2].title.set_text('Downsample')
IIUC,这有点像你的管道 -
from scipy.ndimage import zoom
from skimage.data import camera
img = camera() #(512,512)
up = zoom(img,2) #upsample image
#some code
...
down = zoom(up,0.5) #downsample the upsampled image
plotit(img, up, down)
(in no specific order)
1.西比
zoom (订单=3)
%%timeit
#from scipy.ndimage import zoom
up = zoom(img,2)
down = zoom(up,0.5)
#163 ms ± 12.1 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
2.西比
zoom (订单=0)
%%timeit
#from scipy.ndimage import zoom
up = zoom(img,2, order=0)
down = zoom(up,0.5, order=0)
#18.7 ms ± 950 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3. Skimage
pyramid_gaussian
%%timeit
#from skimage.transform import import pyramid_gaussian
up = pyramid_gaussian(img,2)
down = pyramid_gaussian(up,0.5)
#471 ns ± 30.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
4. Skimage
pyramid_expand和
pyramid_reduce
%%timeit
#from skimage.transform import import pyramid_expand, pyramid_reduce
up = pyramid_expand(img,2)
down = pyramid_reduce(up,2)
#120 ms ± 3.08 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
5. Skimage
rescale
%%timeit
#from skimage.transform import import rescale
up = rescale(img,2)
down = rescale(up,0.5)
#83 ms ± 3.69 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
6. PIL
resize具有最近像素
filter用于重采样
%%timeit
#from PIL import Image
im = Image.fromarray(img)
up = im.resize((im.width*2, im.height*2),resample=Image.NEAREST)
down = up.resize((up.width//2, up.height//2),resample=Image.NEAREST)
#704 µs ± 29.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
7. PIL
resize带双线性
filter用于重采样
%%timeit
#from PIL import Image
im = Image.fromarray(img)
up = im.resize((im.width*2, im.height*2),resample=Image.BILINEAR)
down = up.resize((up.width//2, up.height//2),resample=Image.BILINEAR)
#10.2 ms ± 877 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
8. PIL
resize与 BICUBIC
filter用于重采样
%%timeit
#from PIL import Image
im = Image.fromarray(img)
up = im.resize((im.width*2, im.height*2),resample=Image.BICUBIC)
down = up.resize((up.width//2, up.height//2),resample=Image.BICUBIC)
#12.3 ms ± 326 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
9. PIL
resize与 Lanczos
filter用于重采样
%%timeit
#from PIL import Image
im = Image.fromarray(img)
up = im.resize((im.width*2, im.height*2),resample=Image.LANCZOS)
down = up.resize((up.width//2, up.height//2),resample=Image.LANCZOS)
#15.7 ms ± 184 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
关于python - Numpy 数组的快速插值/重采样 - Python,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35381551/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!