将映射函数应用于以索引为参数的 ndarray 的每个成员答案

【问题标题】：Applying a mapping function to each member of an ndarray with indices as arguments将映射函数应用于以索引为参数的 ndarray 的每个成员
【发布时间】：2019-05-18 00:51:00
【问题描述】：

我有一个代表 RGB 图像的 ndarray，形状为 (width,height,3)，我希望将每个值替换为它自身的某个函数、它的位置和它所属的颜色通道的结果。在三个嵌套的 for 循环中这样做非常慢，有没有办法将其表示为原生数组操作？

编辑：寻找一个就地解决方案 - 一个不涉及创建另一个 O(width x height) ndarray 的解决方案（除非 numpy 有一些魔法可以防止这样的 ndarray 实际被分配）

【问题讨论】：

取决于您要应用的具体功能。你能说得更具体点吗？
很多函数可以直接应用在数组上。您还可以使用np.indices(your_array.shape) 来获取图像的索引值。你想应用什么功能？
理想情况下，我想应用任何可调用 python 的结果，但假设我想将每个通道乘以一个（不同的）常数乘以它与中心的（标准化）距离。
如果您的函数一次只能处理一个元素（在宽度/高度空间中），则需要某种 Python 级别的迭代。大多数快速编译的numpy 操作在数学上都是简单的（例如乘法），它们采用整个数组并返回一个新数组。只要您的问题仍然笼统，答案就会笼统。
您为什么担心分配新的（或临时的）数组？你认为这会使计算更快吗？我感觉您需要更多的基本 numpy 计算经验，更好地了解快慢方式。

标签： python numpy numpy-ndarray

【解决方案1】：

注意许多 cmets 中的限定条件，直接使用 numpy 算术通常会更容易和更快。

import numpy as np

def test(item, ix0, ix1, ix2):
    # A function with the required signature. This you customise to suit.
    return item*(ix0+ix1+ix2)//202

def make_function_for(arr, f):
''' where arr is a 3D numpy array and f is a function taking four arguments.
        item : the item from the array
        ix0 ... ix2 : the three indices
    it returns the required result from these 4 arguments. 
'''
    def user_f(ix0, ix1, ix2):
        # np.fromfunction requires only the three indices as arguments.
        ix0=ix0.astype(np.int32)
        ix1=ix1.astype(np.int32)
        ix2=ix2.astype(np.int32)
        return f(arr[ix0, ix1, ix2], ix0, ix1, ix2)
    return user_f
    # user_f is a function suitable for calling in np.fromfunction

a=np.arange(100*100*3)
a.shape=100,100,3
a[...]=np.fromfunction(make_function_for(a, test), a.shape)

我的测试函数非常简单，所以我可以在 numpy 中完成。

使用from函数：

%timeit np.fromfunction(make_function_for(a, test), a.shape)
5.7 ms ± 346 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

使用 numpy 算术：

def alt_func(arr):
    temp=np.add.outer(np.arange(arr.shape[0]), np.arange(arr.shape[1]))
    temp=np.add.outer(temp,np.arange(arr.shape[2]))
    return arr*temp//202

%timeit alt_func(a)
967 µs ± 4.94 µs per loop  (mean ± std. dev. of 7 runs, 1000 loops each)

因此，在这种情况下，我的机器上的 numpy 算术几乎快 6 倍。

已编辑以纠正我看似不可避免的错别字！

【讨论】：

【解决方案2】：

我不确定你的问题是否正确！我的理解是，您希望根据相应的索引在 RGB 图像的每个通道上应用映射，如果是这样，MIGHT 下面的代码会有所帮助，因为您的问题中没有详细信息。

import numpy as np

bit_depth = 8
patch_size = 32    

def lut_generator(constant_multiplier):
    x = np.arange(2 ** bit_depth)
    y = constant_multiplier * x
    return dict(zip(x, y))


rgb = np.random.randint(0, (2**bit_depth), (patch_size, patch_size, 3))
# Considering a simple lookup table without using indices.
lut = lut_generator(5)

# splitting three channels followed and their respective indices.
# You can use indexes wherever you need them.
r, g, b = np.dsplit(rgb, rgb.shape[-1])
indexes = np.arange(rgb.size).reshape(rgb.shape)
r_idx, g_idx, b_idx = np.dsplit(indexes, indexes.shape[-1])

# Apply transformation on each channel.
transformed_r = np.vectorize(lut.get)(r)
transformed_g = np.vectorize(lut.get)(g)
transformed_b = np.vectorize(lut.get)(b)

祝你好运！

【讨论】：