时间戳

首页 > 解决方案 > 堆叠图像的python代码运行速度极慢，寻找加快速度的建议

python - 堆叠图像的python代码运行速度极慢，寻找加快速度的建议

问题描述

我编写了一些代码来读取约 150 个图像（1000 像素 x 720 像素，裁剪和调整大小）的每个像素的 RGB 值。

import os
from PIL import Image
print("STACKING IMAGES...")
os.chdir('cropped')
images=os.listdir() #list all images present in directory
print("GETTING IMAGES...")
channelR=[]
channelG=[]
channelB=[]
print("GETTING PIXEL INFORMATION...")  #runs reasonably fast
for image in images:  #loop through each image to extract RGB channels as separate lists
    with Image.open(image) as img:
        if image==images[0]:
            imgSize=img.size
        channelR.append(list(img.getdata(0)))
        channelG.append(list(img.getdata(1)))
        channelB.append(list(img.getdata(2)))
print("PIXEL INFORMATIION COLLECTED.")
print("AVERAGING IN CHANNEL RED.") #average for each pixel in each channel
avgR=[round(sum(x)/len(channelR)) for x in zip(*channelR)] #unzip the each pixel from all ~250 images, average it, store in tuple, starts to slow
print("AVERAGING IN CHANNEL GREEN.")
avgG=[round(sum(x)/len(channelG)) for x in zip(*channelG)] #slower
print("AVERAGING IN CHANNEL BLUE.")
avgB=[round(sum(x)/len(channelB)) for x in zip(*channelB)] #progressively slower
print("MERGING DATA ACROSS THREE CHANNELS.")
mergedData=[(x) for x in zip(avgR, avgG, avgB)]  #merge averaged colour channels pixel by pixel, doesn't seem to end, takes eternity
print("GENERATING IMAGE.")
stacked=Image.new('RGB', (imgSize)) #create image
stacked.putdata(mergedData) #generate image
stacked.show()
os.chdir('..')
stacked.save('stacked.tif', 'TIFF') #save file
print("FINISHED STACKING !")

在我配备适中的计算机（Core2Duo，4GB RAM，Linux Mint OS）上运行它需要将近一个小时才能完成三个通道的平均，然后再用一个小时来合并各个平均像素（没有完成，我中止了过程）。我已经读过列表理解很慢，并且 zip() 函数占用了太多内存，但是修改这些会导致进一步的错误。我什至读过将程序划分为函数可能会加快速度。

为了获得可比的性能，我恳请回答问题的人在https://github.com/rlvaugh/Impractical_Python_Projects/tree/master/Chapter_15/video_frames的图像上运行代码。

我们将不胜感激地接受任何有关加快该计划的帮助。在转向更强大的系统时，它是否有机会大幅提高速度？

预先感谢您的任何帮助。

标签： pythonperformancetime-complexity

解决方案

附加到列表很慢。就像你可以在一个循环中做的事情有多个列表理解一样。您还可以使用numpy数组来加速它，使用SIMD 操作而不是迭代list.

这是一些图像的一些示例代码。您可以根据您的要求对其进行扩展。

import os
import numpy as np
import PIL

os.chdir('cropped')

imgfiles = ['MVI_6450 001.jpg', 'MVI_6450 002.jpg', 'MVI_6450 003.jpg', 'MVI_6450 004.jpg']

allimgs = None

for imgnum, imgfile in enumerate(imgfiles):
    img = PIL.Image.open(imgfile)
    imgdata = np.array(img.getdata()) # Nx3 array. columns: R, G, B channels
    
    if allimgs is None:
        allshape = list(imgdata.shape) # Size of one image
        allshape.append(len(imgfiles)) # Append number of images
        # allshape is now [num_pixels, num_channels, num_images]
        # so making an array of this shape will allow us to store all images
        # Axis 0: pixels. Axis 1: channels. Axis 2: images
        allimgs = np.zeros(allshape) 
    
    allimgs[:, :, imgnum] = imgdata # Set the imgnum'th image data
    

# Get the mean along the last axis 
#     average same pixel across all images for each channel
imgavg = np.mean(allimgs, axis=-1) 

# normalize so that max value is 255
# Also convert to uint8
imgavg = np.uint8(imgavg / np.max(imgavg) * 255)

imgavg_tuple = tuple(map(tuple, imgavg))

stacked = PIL.Image.new("RGB", img.size)
stacked.putdata(imgavg_tuple)
stacked.show()

os.chdir('..')

注意：我们在开始时创建一个 numpy 数组来保存所有图像，而不是在加载更多图像时追加，因为正如Jacob在下面的评论中提到的那样，追加到 numpy 数组是一个坏主意。这是因为 numpy array append 实际上创建了一个新数组，然后复制了两个数组的内容，所以这是一个 O(n^2) 操作。

推荐阅读