图像处理：向量化 numpy 数组元素替换答案

【问题标题】：Image processing: vectorize numpy array elements substitution图像处理：向量化 numpy 数组元素替换
【发布时间】：2018-10-30 00:38:42
【问题描述】：

代码运行良好，但速度很慢。如何矢量化颜色替换以避免使用 Python for 循环？

processed_image = np.empty(initial_image.shape)
for i, j in np.ndindex(initial_image.shape[:2]):
    l_, a, b = initial_image[i, j, :]
    idx = mapping[a + 128, b + 128]
    a, b = new_colors[tuple(idx)]
    processed_image[i, j] = l_, a, b

我在 CIELAB 空间中有一个图像 initial_image 作为形状 （一些高度，一些宽度，3）的 numpy 数组。我需要通过使用mapping 更改图像的 a 和 b 颜色分量来生成校正图像。 mapping 是一个形状为 (255, 255, 2) 的 numpy 数组。它为我提供了索引，可用于从new_colors 获取更正的 a 和 b 颜色。 new_colors 的形状为 (table height, table width, 2)。

使用 scikit-image 的解决方案也会有所帮助。

【问题讨论】：

标签： python performance numpy image-processing scikit-image

【解决方案1】：

您可以使用高级索引：

# chain the two maps
chained = new_colors[(*np.moveaxis(mapping, 2, 0),)]
# split color channels
c1, *c23 = np.moveaxis(initial_image, 2, 0)
# add 128
c23 = *map(np.add, c23, (128, 128)),
# apply chained map
processed_image_2 = np.concatenate([c1[..., None], chained[c23]], axis=2)

【讨论】：

对我来说工作速度至少快 100 倍！
这里的None 是指np.newaxis 吗？
@SashaTsukanov 是的，它们的意思是一样的。事实上，我认为np.newaxis 只是None 的别名。