改善条件状态的CPU时间

2024-03-29 12:34:13 发布

您现在位置:Python中文网/ 问答频道 /正文

我写了一份if-elif声明,我认为这不是很有效:

first_number = 1000
second_number = 700
switch = {
    'upperRight': False,
    'upperLeft': False,
    'lowerRight': False,
    'lowerLeft': False,
    'middleLeft': False,
    'middleRight': False,
    'upperMiddle': False,
    'lowerMiddle': False,
    'middle': False
}

for i in range(first_number):
    for j in range(second_number):
        if pixel_is_black:
            if i <= int(first_number/3) and j <= int(second_number/3):
                switch['upperLeft'] = True
            elif i <= int(first_number/3) and int(second_number/3) < j <= int(2*second_number/3):
                switch['middleLeft'] = True
            elif i <= int(first_number/3) and j > int(2*second_number/3):
                switch['lowerLeft'] = True
            elif int(first_number / 3) <= i < int(2 * first_number / 3) and j < int(second_number / 3):
                switch['upperMiddle'] = True
            elif int(first_number / 3) <= i < int(2 * first_number / 3) and int(second_number / 3) < j <= int(2 * second_number / 3):
                switch['middle'] = True
            elif int(first_number / 3) <= i < int(2 * first_number / 3) and j >= int(2 * second_number / 3):
                switch['lowerMiddle'] = True
            elif i >= int(2 * first_number / 3) and j <= int(2 * second_number / 3):
                switch['upperRight'] = True
            elif i >= int(2 * first_number / 3) and int(second_number / 3) < j <= int(2 * second_number / 3):
                switch['middleRight'] = True
            elif i >= int(2 * first_number / 3) and  j >= int(2 * second_number / 3):
                switch['lowerRight'] = True

for i in switch:
    if(switch[i] == True):
        print(i)

正如你所看到的,这个声明看起来很难看。 由于数字很大,执行大约需要2秒。 在循环中,我要遍历图像的像素。在if elif语句中,我将图像分成9部分,如果该区域的像素是黑色的,则打印相应的数字。在

有什么方法可以降低CPU时间吗?在

我尝试了this answer,但我的语句条件不同。在

谢谢。在


Tags: andinfalsetrue声明numberforif
2条回答

在本例中,您可以避免整个if/elif/else的混乱,因为您的条件可以由从ij值直接计算到字典中来代替。在

for i in range(first_number):
    horizontal_third = i * 3 // first_number 
    for j in range(second_number):
        if pixel_is_black(i, j): # I assume this depends on the coordinates in some way
            vertical third = j * 3 // second_number
            key = str(horizontal_third * 3 + vertical_third + 1) # use int keys? zero-index?
            switch[key] = True

注意,给一些变量起一个更有意义的名字可能是个好主意。first_number可能变成{},而{}可能变成{}(反之亦然),而{}和{}的值可以变成{}和{}(尽管后两个不那么糟糕,因为{}和{}是非常传统的循环变量)。在

如果您愿意对switch稍作修改以进一步提高性能,那么可以用一个列表替换字典,使用从零开始的整数作为索引。您只需要从key计算中删除+ 1str调用(我还将重命名变量index)。可以使用switch = [False] * 9初始化列表。在

由于您正在处理图像并使用numpy,我认为最简单的方法是将图像分割成块,然后查看这些块中是否有像素是黑色的。例如,假设我有一个边缘图像,中间没有任何黑色像素,如下所示:

Edge image

我们可以使用列表理解将图像转换为块:

h, w = img.shape[:2]
bh, bw = h/3, w/3

bw_ind = [0, int(bw), 2*int(bw), w]
bh_ind = [0, int(bh), 2*int(bh), h]
blocks = [img[bh_ind[i]:bh_ind[i+1], bw_ind[j]:bw_ind[j+1]] for i in range(3) for j in range(3)]

top-lefttop-midtop-right

mid-leftmid-midmid-right

bot-leftbot-midbot-right

现在为了让事情简单一点,我们可以在列表字典中按照块的相同顺序创建一个键列表;这样,blocks[0]将对应于switch_list[0],即"upperLeft"。在

^{pr2}$

最后要做的就是找到每个块中的黑色像素。所以我们要遍历9个块(使用循环),然后将块内的值与我们感兴趣的任何颜色进行比较。如果您有一个3通道8位图像,那么黑色通常在每个通道中用0表示。所以对于一个像素,如果它是黑色的,那么我们可以用pixel == [0,0,0]来比较它。但这会为每个值返回一个布尔值:

^{3}$

当这三个值都匹配时,像素才是黑色的,所以我们可以对结果使用.all(),如果整个数组是True,则只返回{}:

>>> (pixel == [0,0,0]).all()
True

所以这是一个单一像素是黑色的指示器。但我们需要检查块内是否有任何像素是黑色的。为了简单起见,我们先来看看单通道图像。假设我们有阵列

M = np.array([[0,1], [2,3]])

如果我们在这里使用逻辑比较M == 5,我们将返回一个布尔数组,与M形状相同,将每个元素与5进行比较:

>>> M == 5
array([[False, False] [False, False]])

在我们的例子中,我们不需要知道每个比较,我们只想知道块内的一个单个像素是否为黑色,所以我们只需要一个布尔值。我们可以使用.any()来检查是否有任何值在^{内是True

>>> (M == 5).any()
False

因此,我们需要将这两个操作结合起来;我们将确保所有的值与我们感兴趣的颜色([0,0,0])相匹配,以便对该像素进行计数,然后我们可以从每个块内的比较中查看是否返回True

^{8}$

注意axis=2参数:.all(axis=2)将把多通道图像缩小为一个像素位置的布尔值;True,如果每个通道的颜色匹配。然后我们可以检查是否有任何像素位置返回真值。这将为每个块减少为一个布尔值,告诉它是否包含颜色。因此,我们可以根据是否找到黑色像素将字典值设置为True或{}:

for i in range(len(switch_list)):
    switch[switch_list[i]] = black_pixel_in_block[i]

最后,print结果是:

>>> print(switch)
{'upperRight': True, 
'upperLeft': True, 
'lowerRight': True, 
'lowerLeft': True, 
'middleLeft': True, 
'middleRight': True, 
'upperMiddle': True, 
'lowerMiddle': True, 
'middle': False}

仅此操作在一张(21402870)图像上花费了~0.1秒。在

按照同样的思路,您可以首先为带有.all()的整个图像创建一个TrueFalse值的矩阵,然后将拆分成块,然后在块内使用.any()。这对于内存来说会更好,因为您存储的是9(h,w)块,而不是9(h,w,depth)块。在

相关问题 更多 >