我需要一种在Python中快速循环图像/堆栈像素的方法

我已经创建了一个3D中值滤波器，它确实有效，如下所示：

def Median_Filter_3D(image,kernel):

window = np.zeros(shape=(kernel,kernel,kernel), dtype = np.uint8)
n = (kernel-1)/2    #Deals with Image border
imgout = np.empty_like(image)
w,h,l = image.shape()

%%在每个像素上开始循环

for y in np.arange(0,(w-n*2),1):
    for x in np.arange(0,(h-n*2),1):
        for z in np.arange(0,(l-n*2),1):
            window[:,:,:] = image[x:x+kernel,y:y+kernel,z:z+kernel]
            med = np.median(window)
            imgout[x+n,y+n,z+n] = med 
return(imgout)

因此，在每个像素上，它创建一个大小为kernelxkernelxkernel的窗口，找到窗口中像素的中值，并用新的中值替换该像素的值

我的问题是，它非常慢，我有成千上万的大图像要处理。必须有一种更快的方法来迭代所有这些像素，并且仍然能够得到相同的结果

---

提前谢谢

首先，在python中循环3D矩阵是一个非常糟糕的主意。为了循环一个大的3D矩阵，最好使用或C/C++/Fortran并创建一个python扩展。但是，对于这种特殊情况，scipy已经包含了用于n维数组的实现：

>>> from scipy.ndimage import median_filter
>>> median_filter(my_large_3d_array, radious)

简而言之，在python中没有一种更快的迭代体素的方法（可能会有所帮助，但不会显著提高性能）。如果你需要在Python中执行更复杂的3D素材，你应该考虑Cython中的LoopIn接口编程，或者，使用一个块库，例如，它实现了数组块的并行操作。

---

Python的问题是，如果

for

循环的

速度非常慢，特别是如果它们是嵌套的并且具有大数组。因此，没有一种标准的pythonic方法来获得数组上的有效迭代。通常，获得加速的方法是通过矢量化操作和numpy记号，但是这些都是非常特定于问题的，没有通用的技巧，在SO中您将学到很多numpy技巧

作为一种通用方法，如果您真的需要迭代数组，那么您可以在中编写代码。Cython是Python的一个类似C的扩展。您可以用Python语法编写代码，但要指定变量类型（如在C中，使用
int
或
float
。然后，该代码会自动编译为C，并可以从Python中调用。一个简单的示例：

Python循环函数示例：
我知道上面的代码有点多余，可以写成
B=A*2
，但其目的只是为了说明python循环非常慢

Cython版本的函数：
两种实现的测试速度：
注意：您不能按原样运行Cython函数。您需要将其放在单独的文件中并首先编译（或在IPython笔记本中使用
%%Cython
magic）

它显示原始python版本花了
400ms
迭代整个数组，而Cython版本（
x200
加速）只花了2ms

。

好的，谢谢。我对python有点陌生，所以还不知道Cython或Dask是什么，但我会研究它（Y）。我知道scipy已经有了过滤器，但这只是一个练习函数，以后会产生更复杂的过滤器。@ScottAlistair我刚刚编辑了答案，以提供更多关于Cython的信息，以及为什么在python中迭代大型数组是一个坏主意。我知道如果您是python新手，需要特别消化很多内容，但我只是想指出一点好的方向。谢谢，这非常有用！@ScottAlistair很高兴它能帮上忙！注意：

Py\u ssize\u t

与C中的

size\u t

相当（类似），如果你熟悉它（如果不是，则是一个大整数：P）。为了能够使用cython代码，你需要使用它。cython代码通常存储在

.pyx

文件中。

import numpy as np

def iter_A(A):
    B = np.empty(A.shape, dtype=np.float64)

    for i in range(A.shape[0]):
        for j in range(A.shape[1]):
            B[i, j] = A[i, j] * 2
    return B

import numpy as np
cimport numpy as np

def iter_A_cy(double[:, ::1] A):
    cdef Py_ssize_t H = A.shape[0], W = A.shape[1]
    cdef double[:, ::1] B = np.empty((H, W), dtype=np.float64)
    cdef Py_ssize_t i, j

    for i in range(H):
        for j in range(W):
            B[i, j] = A[i, j] * 2

    return np.asarray(B)

>>> import numpy as np
>>> A = np.random.randn(1000, 1000)
>>> %timeit iter_A(A)
1 loop, best of 3: 399 ms per loop
>>> %timeit iter_A_cy(A)
100 loops, best of 3: 2.11 ms per loop