- 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?
我使用以下代码旋转图像并将它们粘贴到屏幕大小 (4K) 的 Canvas 上,但此实现每旋转和粘贴图像需要一百多毫秒。我正在使用它的程序需要做很多这样的事情,所以加快速度是有益的,而且我还假设这是一种非常标准的操作,所以这段代码是非常可优化的。如果能提供有关如何优化它的任何指导,我将不胜感激。
可能值得一提的是,各种旋转图像通常非常接近,有时会重叠,这就是我进行 mask 的原因,但这是我认为可能效率低下的地方之一。
import cv2
import numpy as np
canvas = np.zeros((2160, 3840, 3), dtype=np.uint8)
img_path = PATH_TO_IMAGE
image = cv2.imread(img_path)
offset_from_center = 10
rotation_angle = 45
width = image.shape[1]
pivot_point = (width/2, offset_from_center)
rotation_mat = cv2.getRotationMatrix2D(pivot_point, -rotation_angle, 1.)
canvas_height = canvas.shape[0]
canvas_width = canvas.shape[1]
rotation_mat[0, 2] += canvas_width/2 - pivot_point[0]
rotation_mat[1, 2] += canvas_height/2 - pivot_point[1]
rotated_image = cv2.warpAffine(image,
rotation_mat,
(canvas_width, canvas_height))
alpha = np.sum(rotated_image, axis=-1) > 0
alpha = alpha.astype(float)
alpha = np.dstack((alpha, alpha, alpha))
rotated_image = rotated_image.astype(float)
canvas = canvas.astype(float)
foreground = cv2.multiply(alpha, rotated_image)
canvas = cv2.multiply(1.0 - alpha, canvas)
canvas = cv2.add(foreground, canvas)
canvas = canvas.astype(np.uint8)
最佳答案
快速分析显示 np.sum(rotated_image, axis=-1)
特别慢。其他后续操作也有点慢,尤其是数组乘法和 dstack
。
首先要知道的是,np.sum
会在进行缩减之前自动将数组类型转换为更宽的类型。实际上是一个 64 位 int。这意味着要减少内存中的8 倍大阵列,因此速度会显着降低。话虽这么说,最大的问题是 Numpy 并未针对减少非常小的维度进行优化:它使用非常低效的方法迭代每一行数组,并且迭代比添加 3 个整数要昂贵得多。一种解决方案是手动添加以显着加快速度。这是一个例子:
tmp = rotated_image.astype(np.uint16)
alpha = (tmp[:,:,0] + tmp[:,:,1] + tmp[:,:,2]) > 0
请注意,这是次优的,使用 Cython 或 Numba 可以进一步加快速度(大幅度)。另一种选择是对转置图像进行操作。
然后,当您执行 alpha.astype(float)
时,会使用 64 位 float ,这会占用大量内存,因此任何操作都很慢。这里显然不需要 64 位 float 。可以改用 32 位 float 。事实上,PC GPU 几乎总是使用 32 位 float 来计算图像,因为 64 位运算的成本要高得多(它们需要大量能量和更多晶体管)。
np.dstack
不是必需的,因为 Numpy 可以利用广播(使用 alpha[:,:,None]
)所以避免大的临时数组 像这样。不幸的是,Numpy 广播在实践中会减慢速度......
cv2.multiply
可以替换为 np.multiply
,它有一个特殊的参数 out
用于更快的就地操作(在我的机器上快 30%)。 cv2.multiply
也有一个等效的 dst
参数,正如@ChristophRackwitz 所指出的。这两个函数在我的机器上运行得同样快。
这是一个总结所有这些的更快的实现:
tmp = rotated_image.astype(np.uint16)
alpha = (tmp[:,:,0] + tmp[:,:,1] + tmp[:,:,2]) > 0
alpha = alpha.astype(np.float32)
alpha = np.dstack((alpha, alpha, alpha))
rotated_image = rotated_image.astype(np.float32)
canvas = canvas.astype(np.float32)
foreground = np.multiply(alpha, rotated_image)
np.subtract(1.0, alpha, out=alpha)
np.multiply(alpha, canvas, out=canvas)
np.add(foreground, canvas, out=canvas)
canvas = canvas.astype(np.uint8)
因此,优化后的解决方案快了 4 倍。它仍然远未达到快速,但这将 Numpy 推向了它的极限。
创建许多大的临时数组并在小维度上操作远非高效。这可以通过在由 Numba 或 Cython 等 (JIT) 编译器优化的基本循环中计算飞行中的像素来解决,以生成快速的 native 代码。这是一个实现:
import numba as nb
@nb.njit('(uint8[:,:,::1], uint8[:,:,::1])', parallel=True)
def compute(img, canvas):
for i in nb.prange(img.shape[0]):
for j in range(img.shape[1]):
ir = np.float32(img[i, j, 0])
ig = np.float32(img[i, j, 1])
ib = np.float32(img[i, j, 2])
cr = np.float32(canvas[i, j, 0])
cg = np.float32(canvas[i, j, 1])
cb = np.float32(canvas[i, j, 2])
alpha = np.float32((ir + ig + ib) > 0)
inv_alpha = np.float32(1.0) - alpha
cr = inv_alpha * cr + alpha * ir
cg = inv_alpha * cg + alpha * ig
cb = inv_alpha * cb + alpha * ib
canvas[i, j, 0] = np.uint8(cr)
canvas[i, j, 1] = np.uint8(cg)
canvas[i, j, 2] = np.uint8(cb)
compute(rotated_image, canvas)
这是我的 6 核机器上的性能结果(重复 7 次):
Before: 0.427 s 1x
Optimized Numpy: 0.113 s ~4x
Numba: 0.0023 s ~186x
正如我们所见,Numba 实现比优化的 Numpy 实现快得多。如果这还不够,您可以在 GPU 上计算,GPU 对此类任务效率更高。它应该更快并且使用更少的能量,因为 GPU 有专门的单元来进行 alpha 混合(和更宽的 SIMD 单元)。一种解决方案是使用仅适用于 Nvidia GPU 的 CUDA。另一种解决方案是为此使用 OpenCL 甚至 OpenGL。不过,这应该比使用 Numba 复杂一些。
关于python - 使用 NumPy 和 OpenCV 高效地旋转图像并粘贴到更大的图像中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/73130538/
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!