逐像素循环以计算图像中的熵的更快方法

Question

我一直在用逐像素卷积运算计算图像的熵，它一直在工作，但速度很慢，随着内核大小增加了执行时间。

这是我的函数代码，首先在代码中我使用 gdal 读取图像并将其转换为数组以将其传递给函数。

@jit
def convolution (ArrayES, ImArray, rows, cols, kernel, option):
    for row in prange(rows):
        for col in prange(cols):
            Lx=max(0,col-kernel+1)
            Ux=min(cols,col+kernel+1)
            Ly=max(0,row-kernel+1)
            Uy=min(rows,row+kernel+1)
            mask=ImArray[Ly:Uy,Lx:Ux].flatten()
            He=0.0
            lenVet=mask.size
            horList=list(set(mask))
            if len(horList)==1 and horList.count(0)==1:
                ArrayES[row,col]=0.0
            else:
                T7=time.time()
                prob=[(mask[mask==i]).size/(lenVet*1.0) for i in horList]
                for p in prob:
                    if p>0:
                        He += -1.0*p*np.log2(p)
                if option==0:
                    ArrayES[row,col]=He
                N=len(horList)*1.0
                if N == 1:
                    C=0
                else:
                    Hmax=np.log2(N)
                    C=He/Hmax
                if option==1:
                    ArrayES[row,col]=C
                if option==2:
                    SDL=(1-C)*C
                    ArrayES[row,col]=SDL
                if option==3:
                    D = 0.0
                    for p in prob:
                        D += (p-(1/N))**2
                    LMC=D*C
                    ArrayES[row,col]=LMC
    return ArrayES

当内核数>7时出现问题。我该如何改进它？

Answer 1

类似matlab，像这样加速运算的关键是"vectorization"。基本上，删除 for 循环并将您的计算转换为向量和矩阵运算 - 对于每个步骤，找到一种方法将所有合格像素分组并使用一次调用对它们进行操作。

阅读此内容了解更多详情

https://www.geeksforgeeks.org/vectorization-in-python/

许多方法类似于 matlab 中的矢量化

https://www.mathworks.com/help/matlab/matlab_prog/vectorization.html https://blogs.mathworks.com/videos/2014/06/04/vectorizing-code-in-matlab/

逐像素循环以计算图像中的熵的更快方法

Faster way to looping pixel by pixel to calculate entropy in an image

python

performance

numpy

image

entropy