Python：沿垂直轴镜像图像的最有效方法

我有很多图像需要（动态地）翻转，因此我正在寻找使用Python实现这一点的最快方法

最有效的方法是什么

---

我在磁盘上有图像文件，并尝试了一些方法，如下面我自己的答案所示，但这些方法都是从Numpy阵列开始的，因此可能不是最优的。有更好的方法吗？

这里有两种方法，使用：

OpenCV

cv2.flip（）

Numpy

np.fliplr（）

导入包

import cv2
import numpy as np

我有一个numpy阵列中的三个图像，每个图像的分辨率如下所示：

images.shape
(3, 200, 400, 3)

使用Jupyter的

%%timeit

模块： 运行以下代码可确保结果相同：

x = [cv2.flip(images[i], 1) for i in range(3)]
y = [np.fliplr(images[i]) for i in range(3)]

for i in range(3):
    print(np.array_equal(x[i], y[i]))

# True
# True
# True

---

因此numpy的速度大约是opencv的20倍

您可以简单地使用

切片

翻转最后一个轴，以将等效的翻转视图放入图像的输入数组中，这样就不会在内存中创建任何新数据，因此是一个高效的数据，就像这样-

images[...,::-1,:]

如果您仍然需要制作副本，请在那里使用

.copy

，这仍然比

np.fliplr

更有效，并且对于小/适当大小的阵列更为明显

运行时测试-

看起来NumPy是赢家，所以我会用它来测试

In [64]: images = np.random.randint(0,255,(3,200,400,3))

In [65]: out1 = np.array([np.fliplr(images[i]) for i in range(3)])

In [66]: out2 = images[...,::-1,:]

In [67]: np.allclose(out1, out2)
Out[67]: True

In [68]: %timeit np.array([np.fliplr(images[i]) for i in range(3)])
1000 loops, best of 3: 1.38 ms per loop

In [69]: %timeit images[...,::-1,:]
1000000 loops, best of 3: 259 ns per loop # virtually free

如果你需要复印件-

In [76]: images = np.random.randint(0,255,(3,10,10,3))

In [77]: %timeit np.array([np.fliplr(images[i]) for i in range(3)])
100000 loops, best of 3: 5.76 µs per loop

In [78]: %timeit images[...,::-1,:].copy()
100000 loops, best of 3: 2.23 µs per loop

In [79]: images = np.random.randint(0,255,(3,100,100,3))

In [80]: %timeit np.array([np.fliplr(images[i]) for i in range(3)])
10000 loops, best of 3: 159 µs per loop

In [81]: %timeit images[...,::-1,:].copy()
10000 loops, best of 3: 152 µs per loop

---

图像是如何存储的？作为数组列表或一个大数组？存储为单个

.jpg

文件。对于下面我自己的尝试，我在开始时使用

matplotlib.image.imread（）

将它们读入一个numpy数组。你的答题帖中有

图像

。那么，

images

是一个数组还是一个列表呢？啊，好吧-三个图像在一个numpy数组中。我已经把

形状添加到我的答案中。@scharette是的，你可以马上回答。因此，这是为了帮助未来的用户。如果你在一个问题上挣扎了一段时间，但在这里找不到答案，然后自己解决，然后你可以问一个问题，并打算自己回答。帮助中心有一条说明，在@scharette回答你自己的问题是可以的。显然，问题和答案必须是高质量的，而且以前从未被问过。可能会感兴趣，太好了！我也测试过了<代码>%timeit-r 10-n 100000个图像[…，：：-1，：]

。每个回路369纳秒±125纳秒（10次运行的平均值±标准偏差，每个100000个回路）。对于像我这样不熟悉三点（省略号对象）的其他人，这里有一些提示：，感谢提供额外的

copy

信息。另外，我也接受了，因为我不相信我们可以免费打败它同样值得一看的是，它只是一个切片的简写，带有额外的检查

In [76]: images = np.random.randint(0,255,(3,10,10,3))

In [77]: %timeit np.array([np.fliplr(images[i]) for i in range(3)])
100000 loops, best of 3: 5.76 µs per loop

In [78]: %timeit images[...,::-1,:].copy()
100000 loops, best of 3: 2.23 µs per loop

In [79]: images = np.random.randint(0,255,(3,100,100,3))

In [80]: %timeit np.array([np.fliplr(images[i]) for i in range(3)])
10000 loops, best of 3: 159 µs per loop

In [81]: %timeit images[...,::-1,:].copy()
10000 loops, best of 3: 152 µs per loop