优化计算两幅图像之间欧式距离的性能

Question

我在 python 中实现了 k-nearest-neighbours 算法，以对来自 mnist 数据库的一些随机选取的图像进行分类。但是我发现我的距离函数非常慢：针对 10k 图像的训练集分析 10 幅测试图像大约需要 2 分钟。图像的分辨率为 28x28 像素。由于我是 python 新手，我觉得这可能会更快。该函数应该计算两个相同大小的灰度图像之间的欧式距离。

def calculateDistance(image1, image2):
    distance = 0
    for i in range(len(image1)):
        for j in range(len(image1)):
            distance += math.pow((image1[i][j]-image2[i][j]),2)
    distance = numpy.sqrt(distance)
    return distance

Answer 1

1) 将两个图像之间的差异计算为一个临时变量，然后将该变量自身相乘（整数运算），而不是执行 Math.pow 浮点运算 2）如果你只是比较距离，例如找到距离最小的一对，不要在最后打扰sqrt'ing（这实际上不会加快速度，因为它不在循环中但仍然没有您需要的只是将结果用于相对比较）

Answer 2

如果您使用 numpy 数组来表示图像，则可以使用以下代码：

def calculateDistance(i1, i2):
    return numpy.sum((i1-i2)**2)

这应该快得多，因为它使用快速的 C 实现来完成繁重的工作。还可以考虑使用缓存来避免两次计算两个图像的差异。