Est-il un moyen pratique d'appliquer une table de recherche pour un grand tableau dans numpy?

J'ai une image lire dans numpy avec assez peu de pixels dans mon tableau résultant.

J'ai calculé une table de recherche avec 256 valeurs. Maintenant, je veux faire ce qui suit:

for i in image.rows:
    for j in image.cols:
        mapped_image[i,j] = lut[image[i,j]]

Yep, c'est exactement ce qu'un lut n'.

Seul problème, c'est: je veux faire de l'efficacité et de l'appel de cette boucle en python me permettra d'attendre quelques secondes pour qu'elle se termine.

Je sais de numpy.vectorize(), c'est tout simplement une commodité fonction qui appelle le même code python.

InformationsquelleAutor Profpatsch | 2013-01-21
  1. 35

    Vous pouvez simplement utiliser image à l'index en lut si lut est 1D.

    Voici une amorce sur l'indexation dans NumPy:

    http://www.scipy.org/Tentative_NumPy_Tutorial#head-864862d3f2bb4c32f04260fac61eb4ef34788c4c 

    In [54]: lut = np.arange(10) * 10

In [55]: img = np.random.randint(0,9,size=(3,3))

In [56]: lut
Out[56]: array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

In [57]: img
Out[57]: 
array([[2, 2, 4],
       [1, 3, 0],
       [4, 3, 1]])

In [58]: lut[img]
Out[58]: 
array([[20, 20, 40],
       [10, 30,  0],
       [40, 30, 10]])

    Compte également de l'indexation commence à 0

    • en face de bureau C'est simple, je pourrais hurler. Je pensais que dans l'autre sens tout le temps et que ça ne marchera pas. Mais bien sûr, numpy fait des choses elementwise, c'est donc la solution la plus évidente. Peut-être que j'étais trop fatigué hier. 😉
    • En fait, il semble fonctionner pour pour multi-dimensionnelle LUT ainsi, au moins avec numpy 1.9.2
    • Très élégante solution, merci!
    InformationsquelleAutor Theodros Zelleke
  2. 16

    TheodrosZelleke réponse correcte, mais je voulais juste ajouter un peu de sans-papiers de la sagesse pour elle. Numpy fournit une fonction, np.take, qui, selon la documentation "fait la même chose que la fantaisie de l'indexation."

    Enfin, presque, mais pas tout à fait la même:

    >>> import numpy as np
>>> lut = np.arange(256)
>>> image = np.random.randint(256, size=(5000, 5000))
>>> np.all(lut[image] == np.take(lut, image))
True
>>> import timeit
>>> timeit.timeit('lut[image]',
...               'from __main__ import lut, image', number=10)
4.369504285407089
>>> timeit.timeit('np.take(lut, image)',
...               'from __main__ import np, lut, image', number=10)
1.3678052776554637

    np.take est environ 3 fois plus rapide! Dans mon expérience, lors de l'utilisation de la 3D lut pour convertir des images en RVB à d'autres espaces de couleurs, ajout de la logique à convertir l'apparence 3D-jusqu'à un 1D aplatie de recherche permet à un x10 accélérer.

    • Oh, wow, j'ai regardé plus en profondeur dans np.put pendant un certain temps parce que je pensais que cela pourrait fonctionner. Quand il n'en a pas, je ne l'ai pas vérifié les autres fonctions. -.-
    • Ces horaires sont de deux ans: des versions plus récentes de NumPy, en commençant avec 1,9, ont beaucoup amélioré la fantaisie de l'indexation de la machinerie, qui est maintenant comparable aussi rapide que take.
    InformationsquelleAutor Jaime