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Python:沿垂直轴镜像图像的最有效方法,python,image,numpy,opencv,Python,Image,Numpy,Opencv,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: OpenCVcv2.flip() Numpynp.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,
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:
cv2.flip()
np.fliplr()
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