Python 两个uint8阵列的快速绝对差分

我有两个numpy数组，其

dtype=np.uint8

-如下所示：

img1=np.uint8(np.random.randint(0, 255, (480, 640)))
img2=np.uint8(np.random.randint(0, 255, (480, 640)))

我想建立这些数组的正差异

以下是我的前两种方法（第三种方法供参考）：

---

有没有办法像V2那样更快地得到正确的结果？

这里有一种方法比

V2

快得多：取

img1-img2

，然后根据

img1>img2

乘以1或-1。以下是它的实现方式：

def differenceImageV6(img1, img2):
  a = img1-img2
  b = np.uint8(img1<img2) * 254 + 1
  return a * b

differenceImageV6

比不正确的

differenceImageV3

慢约6倍，但仍比以前最好的

differenceImageV2

快约6倍

differenceImageV1

未经测试，因为它很容易比其他图像慢几个数量级

---

注：我包括了一个

np.where

比较方法；我认为它可能有很好的表现，但结果是相当差。似乎通过布尔数组执行切片在NumPy中相当慢。

如果您有可用的

opencv

，您还可以使用：

def differenceImageV4(img1, img2):
  return cv2.absdiff(img1, img2)

---

它的速度几乎与

differenceImageV3

相同，不确定它是否真的有那么大的帮助，但您可能不需要

differenceImageV2

中的

np.int16（img2）

，只需要使用

img2

。另外，您是否使用库来获得精确的计时结果？我知道溢出（下溢是指两个浮点数之间的差值太小而无法区分）。我的意思是完整的语句应该是

返回（np.uint8（np.absolute（np.int16（img1）-img2））

img1

仍被强制转换为

int16

，因此结果将是

int16

，并且可以允许与预先执行强制转换相同的负数

np.sum

给出相同的结果。它只是不首先获取整个阵列的副本。我剃掉了大约70毫秒1000圈。你说得对。如果我做一个

np.int16（img1）-img2

，我会得到同样的结果。对于1000个循环，执行时间下降到400.39毫秒。不，我在这里使用

time.process\u time（）

，因为我不在乎一毫秒或十毫秒。@dede:看我的答案。由于我在测试中得到了V2和V3之间40倍的差距（远大于您的15倍差距），我想看看我的解决方案在您的测试设置中的性能。@nneonneo:我得到了以下值：V1（10x:1897.16毫秒）、V2（1000x:412.73毫秒）、V3（1000x:28.60毫秒）、V4（1000x:1369.41毫秒）、V5（1000x:253.97毫秒）、V6（1000x:183.48毫秒）。这是您要求的数据吗？我得到的

differenceImageV2

数据约为895µs，而

differenceImageV6

数据约为645µs。不管实际的加速效果如何，我仍然为numpy魔法喝彩。我喜欢你的V6:-）…但仍在努力理解；-）我认为如果你按照

a=img1-img2的方式来做，V6会更快；a[img1

@dede最基本的位是用8位数学乘以

255

相当于乘以

-1并使其溢出
a
是基本区别，
b
是
1
或
255
的数组，基于
img1
的元素是否小于
img2
的元素@Jaime，虽然巧妙，但它甚至比我机器上的
differenceImageV2
还要慢。
def differenceImageV6(img1, img2):
  a = img1-img2
  b = np.uint8(img1<img2) * 254 + 1
  return a * b

import numpy as np

img1=np.uint8(np.random.randint(0, 255, (480, 640)))
img2=np.uint8(np.random.randint(0, 255, (480, 640)))

def differenceImageV1(img1, img2):
  diff=np.empty_like(img1)
  h, w=img1.shape
  for y in range(h):
    for x in range(w):
      if img1[y, x]<img2[y, x]: diff[y, x]=img2[y, x]-img1[y, x]
      else:                     diff[y, x]=img1[y, x]-img2[y, x]
  return(diff)

def differenceImageV2(img1, img2):
  return(np.uint8(np.abs(np.int16(img1)-img2)))

def differenceImageV3(img1, img2):  # fast - but wrong result
  return(img1-img2)

def differenceImageV4(img1, img2):
  return np.where(img1>img2, img1-img2, img2-img1)

def differenceImageV5(img1, img2):
  a = img1-img2
  b = img2-img1
  c = img1>img2
  return a*c + b*(~c)

def differenceImageV6(img1, img2):
  a = img1-img2
  b = np.uint8(img1<img2) * 254 + 1
  return a * b

import timeit
def testit():
  for fn in [differenceImageV2, differenceImageV3, differenceImageV4, differenceImageV5, differenceImageV6]:
    print fn.__name__, np.sum(fn(img1, img2).astype('int64')),
    print timeit.timeit("%s(img1, img2)" % fn.__name__, "from test import img1, img2, %s" % fn.__name__, number=1000)

if __name__ == '__main__':
    testit()

differenceImageV2 26071358 0.982538938522
differenceImageV3 39207702 0.0261280536652
differenceImageV4 26071358 1.36270809174
differenceImageV5 26071358 0.220561981201
differenceImageV6 26071358 0.154536962509

def differenceImageV4(img1, img2):
  return cv2.absdiff(img1, img2)