Python | Numpy数组图像转换

我有一个Numpy图像数组，其形状

（1000,50,100,3）

（

class'Numpy.ndarray'

），其中包含1000个RGB图像（高度=50，宽度=100，通道=3）。我想首先将

RGB

值转换为

YUV

值，然后重新缩放它们以获得

YUV

值。下面给出了像素级转换器的典型实现

我的问题：有没有一种简单的方法可以实现这一转变

你调查过了吗

你可以做：

images_yuv = np.apply_along_axis( yuv, -1, images_rgb)

---

编辑：混淆参数的顺序

您可以对转换进行矢量化，以便所有R、G和B像素都可以同时通过以下方式进行转换：

def yuv_vec(images):
    R, G, B = images[:, :, :, 0], images[:, :, :, 1], images[:, :, :, 2]
    y = (0.299 *  R + 0.587 * G + 0.114 * B) / 127.5 - 1
    u = (0.493 * (B - y)) / 127.5 - 1
    v = (0.887 * (R - y)) / 127.5 - 1
    yuv_img = np.empty(images.shape)
    yuv_img[:, :, :, 0] = y
    yuv_img[:, :, :, 1] = u
    yuv_img[:, :, :, 2] = v
    return yuv_img

为了给性能计时，我将展示问题中所示的yuv函数的简短嵌套循环实现：

def yuv(_pixel):
    R, G, B = _pixel[0], _pixel[1], _pixel[2]
    y = (0.299 *  R + 0.587 * G + 0.114 * B) / 127.5 - 1
    u = (0.493 * (B - Y)) / 127.5 - 1
    v = (0.887 * (R - Y)) / 127.5 - 1
    return np.array([y, u, v])

def yuvloop(imgs):
    yuvimg = np.empty(imgs.shape)
    for n in range(imgs.shape[0]):
        for i in range(imgs.shape[1]):
            for j in range(imgs.shape[2]):
                yuvimg[n, i, j] = yuv(imgs[n, i, j])
    return yuvimg

一些速度比较：

imgs = np.random.randint(0, 256, size=(100, 50, 100, 3))
%timeit yuvloop(imgs)
# Out: 8.79 s ± 265 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
% timeit np.apply_along_axis(yuv, -1, imgs)
# Out: 9.92 s ± 360 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit yuv_vec(imgs)
# Out: 34.4 ms ± 385 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

因此，这比在像素上循环快256倍。使用

np.沿_轴应用

似乎更慢。三种方法的结果相同。

---

我将测试样本的大小减少到100个图像，否则测试会太慢。

您的函数无法工作。

Y

的定义在哪里？是不是

y

@马库科修斯很好。问题是在每个像素上循环的过程效率极低。我的解决方案有效吗？如果是，你可以接受并投票表决。这也会给你一些提示。：）这是行不通的。即使使用

yuv

交换

images\u rgb

以正确传递参数，结果似乎也不正常。将参数的顺序更改为

images\u yuv=np。沿_轴（yuv，-1，imgs）应用_

并将样本大小减少到100个图像（奇怪的是，对于64GB内存的

沿_轴应用

，1000个图像似乎太多了），

np.apply_沿_轴

运行得很好，尽管速度非常慢。因此，如果性能不重要，这似乎也是一个很好的解决方案。@Scotty1-事实上，我混合了参数的顺序，可能需要批量剪切。如果函数可以就地应用，那就太好了，因为它是保形的，但它不需要看看有没有一个numpy内置的提供。一个nit:

np.random.randint（0，256，size=（100，50100，3））

数据生成的形状是否正确，为您节省了大型整形的成本。哦，很高兴知道！谢谢！我马上实现了它。

imgs = np.random.randint(0, 256, size=(100, 50, 100, 3))
%timeit yuvloop(imgs)
# Out: 8.79 s ± 265 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
% timeit np.apply_along_axis(yuv, -1, imgs)
# Out: 9.92 s ± 360 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit yuv_vec(imgs)
# Out: 34.4 ms ± 385 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)