有效计算图像 python 的方差

Question

我正在做一个需要获取图像方差的项目。目前我正在采取两种方法（两种方法都有效但速度很慢）：

单独计算每个像素的方差：

这是使用numpy的代码，varianceMatrix是输出

varianceMatrix = np.zeros(im.shape,np.uint8)
w = 1              # the radius of pixels neighbors 
ny = len(im)
nx = len(im[0])


for i in range(w,nx-w):
    for j in range(w,ny-w):

        sampleframe = im[j-w:j+w, i-w:i+w]
        variance    = np.var(sampleframe)
        varianceMatrix[j][i] = int(variance)

return varianceMatrix

使用现有的 scipy 函数：

这是scipy函数：

from scipy import ndimage

varianceMatrix = ndimage.generic_filter(im, np.var, size = 3)

scipy 函数更快，但没那么快。我正在寻找一个更好的方法来计算方差。

有什么想法吗？？？

Answer 1

如果使用ndimage.generic_filter的方法不够快，你可以在Cython中编写自己的方差计算优化实现。

Answer 2

您可以使用众所周知的 sliding window stride trick 来加速计算。它在不复制数据的情况下将两个 "virtual dimensions" 添加到数组的末尾，然后计算它们的方差。

请注意，在您的代码中，im[j-w:j+w, ..] 遍历索引 j-w,j-w+1,...,j+w-1，最后一个是独占的，您可能没有这个意思。此外，方差大于 uint8 范围，因此您最终得到整数环绕。

import numpy as np
import time
np.random.seed(1234)

img = (np.random.rand(200, 200)*256).astype(np.uint8)

def sliding_window(a, window, axis=-1):
    shape = list(a.shape) + [window]
    shape[axis] -= window - 1
    if shape[axis] < 0:
        raise ValueError("Array too small")
    strides = a.strides + (a.strides[axis],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

def sliding_img_var(img, window):
    if window <= 0:
        raise ValueError("invalid window size")
    buf = sliding_window(img, 2*window, 0)
    buf = sliding_window(buf, 2*window, 1)

    out = np.zeros(img.shape, dtype=np.float32)
    np.var(buf[:-1,:-1], axis=(-1,-2), out=out[window:-window,window:-window])
    return out

def looping_img_var(im, w):
    nx, ny = img.shape
    varianceMatrix = np.zeros(im.shape, np.float32)
    for i in range(w,nx-w):
        for j in range(w,ny-w):
            sampleframe = im[j-w:j+w, i-w:i+w]
            variance    = np.var(sampleframe)
            varianceMatrix[j][i] = variance
    return varianceMatrix

np.set_printoptions(linewidth=1000, edgeitems=5)
start = time.time()
print(sliding_img_var(img, 1))
time_sliding = time.time() - start
start = time.time()
print(looping_img_var(img, 1))
time_looping = time.time() - start
print("duration: sliding: {0} s, looping: {1} s".format(time_sliding, time_looping))

Answer 3

这里是一个使用 OpenCV 的快速解决方案：

import cv2

def winVar(img, wlen):
  wmean, wsqrmean = (cv2.boxFilter(x, -1, (wlen, wlen),
    borderType=cv2.BORDER_REFLECT) for x in (img, img*img))
  return wsqrmean - wmean*wmean

在我的机器上和以下示例中，winVar() 比 ndimage.generic_filter() 快 2915 倍，比 sliding_img_var() 快 10.8 倍（参见 pv. 的回答）：

In [66]: img = np.random.randint(0, 256, (500,500)).astype(np.float)

In [67]: %timeit winVar(img, 3)
100 loops, best of 3: 1.76 ms per loop

In [68]: %timeit ndimage.generic_filter(img, np.var, size=3)
1 loops, best of 3: 5.13 s per loop

In [69]: %timeit sliding_img_var(img, 1)
100 loops, best of 3: 19 ms per loop

结果与 ndimage.generic_filter() 匹配：

In [70]: np.allclose(winVar(img, 3), ndimage.generic_filter(img, np.var, size=3))
Out[70]: True

有效计算图像 python 的方差

Calculating variance of an image python efficiently

python

numpy

image

variance

scipy