Numpy 沿轴查找图像的质心

我试图为图像的每一列找到一个重心。我目前使用的是

scipy.ndimage.measurements.center_of the u mass

模块和简单的迭代。我目前的代码是：

def get_y_vec(img):

    out = []

    for col in img.T: 
        out.append(np.around(measurements.center_of_mass(col)[0], 1))

    out = np.array(out)

    return out

这是可行的，并产生了相当好的结果，然而，这是相当缓慢的。是否有更高性能的替代方案来实现相同的输出

编辑：

我刚刚意识到质心是一个相当简单的数学，可以这样写：

get_com = lambda m: np.round(np.sum(np.arange(m.shape[0])*m)/np.sum(m), 1)


def get_y_vec(img):

    out = np.apply_along_axis(get_com, 0, img)

    return out

---

虽然速度快了4倍，但我的图像相当大，我觉得我们可以提出完全矢量化的解决方案，而不是使用

np。沿\u轴应用\u

或迭代。

第二个版本稍微快一点，但使用矢量化可以使速度更快。（

沿_轴应用_

仅隐藏一个循环）：

这段代码比必要的要复杂一些，因为它可以处理任意尺寸的图像和沿任意轴的重心。基本思想是使用

arange

创建索引向量，并使用图像值作为权重对索引执行加权求和（与OP的第二个解决方案完全相同）

更简单的版本（仅适用于列）如下所示：

def get_y_vec(img):
    n = img.shape[0]
    i = np.arange(n).reshape([n, 1])
    return np.round(np.sum(img * i, axis=0) / np.sum(img, axis=0), 1)

它利用numpy的两个矢量化特性：沿轴广播和求和。首先，创建一个索引数组，其行数与图像中的行数相同，但只有一列。在

img*i

中，向量自动与图像中的每一列相乘（这是广播）。然后，通过传递

axis=0

我们指示

sum

独立处理每列，从而为每列生成一个值

定时比较：

10 loops, best of 3: 71.8 ms per loop   # scipy
10 loops, best of 3: 42.7 ms per loop   # apply_along_axis
100 loops, best of 3: 1.67 ms per loop  # vectorized

40倍的加速似乎并不太糟糕：）

基准代码（IPython）：

---

无需计算两次-

com

似乎未使用。@kazemakase对不起，我的错，在代码中，我实际上没有计算两次。我现在将编辑问题。太糟糕了，这将是一个简单的优化：）输入的

img

看起来像什么（典型的形状和值范围）？它是一个形状~200x1800的2d数组。值的范围从0到255。我想出了一个稍微快一点的方法。我可以简单地使用质心函数的numpy实现：

np.round（np.sum（np.arange（m.shape[0]）*m）/np.sum（m），1）

。虽然速度更快，但我想知道是否有一些numpy魔法矢量化版本：）我正要提出类似的建议。在您的numpy实现中，

m

是什么？一列还是整个图像？太好了，非常感谢！你介意解释一下代码是如何工作的吗？我已经用一些解释更新了答案。代码对我来说比文字更容易。。。希望它能有所帮助：）

10 loops, best of 3: 71.8 ms per loop   # scipy
10 loops, best of 3: 42.7 ms per loop   # apply_along_axis
100 loops, best of 3: 1.67 ms per loop  # vectorized

img = np.random.randint(256, size=(200, 1800))
%timeit get_y_vec(img)