Início / coding / Perguntas / 79120520
Accepted
KyroAsks
Asked: 2024-10-24 13:50:30 +0800 CST

A maneira mais rápida de combinar patches de imagem fornecidos como uma matriz 4D em python

  • 772

Dado um array 4D de tamanho (N,W,H,3), onde N é o número de patches, W,H são a largura e altura de um patch de imagem e 3 é o número de canais de cor. Suponha que esses patches foram gerados pegando uma imagem original I e ​​dividindo-a em pequenos quadrados. A ordem pela qual essa divisão acontece é linha por linha. Então, se dividirmos nossa imagem em patches 3x3 (9 no total), cada um com 10x10 pixels, então o array 4D será (9,10,10,3) e a ordem dos elementos nele será [patch11,patch12,patch13,patch21,patch22,patch23,patch31,patch32,patch33].

Agora, minha pergunta é sobre a maneira mais eficiente de combinar esses patches de volta para produzir a imagem original apenas em Python, usando apenas funções Python e numpy (sem PIL ou OpenCV).

Muito obrigado.

Posso escrever um loop duplo que faça o trabalho conforme abaixo, mas estou pensando se existe um algoritmo melhor que possa fornecer um desempenho mais rápido:

import numpy as np

def reconstruct_image(patches, num_rows, num_cols):
    # num_rows and num_cols are the number of patches in the rows and columns respectively
    patch_height, patch_width, channels = patches.shape[1], patches.shape[2], patches.shape[3]

    # Initialize the empty array for the full image
    full_image = np.zeros((num_rows * patch_height, num_cols * patch_width, channels), dtype=patches.dtype)

    # Iterate over the rows and columns of patches
    for i in range(num_rows):
        for j in range(num_cols):
            # Get the index of the current patch in the 4D array
            patch_index = i * num_cols + j
            # Place the patch in the appropriate position in the full image
            full_image[i*patch_height:(i+1)*patch_height, j*patch_width:(j+1)*patch_width, :] = patches[patch_index]

    return full_image

N = 9  # Number of patches
W, H, C = 10, 10, 3  # Patch dimensions (WxHxC)
num_rows, num_cols = 3, 3  # Number of patches in rows and columns (3x3 patches)
patches = np.random.rand(N, W, H, C)  # Example patch data

reconstructed_image = reconstruct_image(patches, num_rows, num_cols)
python

1 respostas

  1. Best Answer

    Aqui vai uma maneira rápida e simples de fazer isso:

    def reconstruct_image_2():
    return patches.reshape(num_rows, num_cols, W, H, C).swapaxes(1, 2).reshape(num_rows*W, num_cols*H, C)

reconstructed_image_2 = reconstruct_image_2()

assert np.all(reconstructed_image == reconstructed_image_2) # True

    Explicação: Primeiro, reshapereestrutura sua matriz como uma matriz "2D" de patches, swapaxescria sua matriz (num_rows, W, num_cols, H, C)e, finalmente, o segundo e último reshapeconcatena efetivamente os patches em linhas e colunas.

    Comparação de tempo:

    import timeit

%timeit reconstruct_image(patches, num_rows, num_cols)

# 6.2 µs ± 16.8 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)

%timeit reconstruct_image_2()

# 1.56 µs ± 2.57 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)
    • 1

relate perguntas