有效地计算图像python的方差 [英] Calculating variance of an image python efficiently

问题描述

我正在开展一个需要获得图像差异的项目。
目前我正采取两种方法（两种方法都有效但速度很慢）：

1. 单独计算每个像素的方差：

这是使用numpy的代码，varianceMatrix是输出

  varianceMatrix = np.zeros（im.shape，np.uint8）
w = 1＃像素的半径邻居
 ny = len（im）
 nx = len（im [0]）
 
 
 for i in range（w，nx-w）：
 for j in range（w，ny-w）：
 
 sampleframe = im [jw：j + w，iw：i + w] 
 variance = np.var（sampleframe）
 varianceMatrix [j] [i] = int（variance）
 
返回varianceMatrix 
  

2. 使用现有的scipy函数：

这是scipy函数：

<$ p $ sc> 来自scipy import ndimage

varianceMatrix = ndimage.generic_filter（im，np.var，size = 3）


scipy函数更快，但不是那么多。我正在寻找一个更好的替代方案来计算方差。

任何想法???

解决方案

这是一个使用OpenCV的快速解决方案：

  import cv2 
 
 def winVar（img，wlen）：
 wmean，wsqrmean =（cv2.boxFilter（x，-1，（wlen，wlen），
 borderType = cv2.BORDER_REFLECT）for x in（img，img * img ））
返回wsqrmean  -  wmean * wmean 
  

在我的机器上和以下示例中， winVar（）比 ndimage.generic_filter（）快2915倍，比快10.8倍sliding_img_var（）（参见pv。的答案）：

 在[66]中：img = np.random.randint（0,256，（500,500））。astype（np.float）
 
在[67]中：％timeit winVar（img，3）
 100循环，最好3：每循环1.76毫秒
 
在[68]中：％timeit ndimage.generic_filter（img，np.var，size = 3）
 1循环，最佳3：5.13 s /循环
 
在[69]中：％timeit sliding_img_ var（img，1）
 100循环，最佳3：19 ms每循环
  

结果匹配 ndimage.generic_filter（）：

 在[70 ]：np.allclose（winVar（img，3），ndimage.generic_filter（img，np.var，size = 3））
 Out [70]：True 
  

I'm working on a project in which need to get the variance of an image. Currently I'm taking 2 approaches (both work but are very slow):

1. Calculating the variance for each pixel individually:

This is the code using numpy, varianceMatrix is the output

varianceMatrix = np.zeros(im.shape,np.uint8)
w = 1              # the radius of pixels neighbors 
ny = len(im)
nx = len(im[0])


for i in range(w,nx-w):
    for j in range(w,ny-w):

        sampleframe = im[j-w:j+w, i-w:i+w]
        variance    = np.var(sampleframe)
        varianceMatrix[j][i] = int(variance)

return varianceMatrix   

2. Using an existing scipy function:

This is the scipy function:

from scipy import ndimage

varianceMatrix = ndimage.generic_filter(im, np.var, size = 3)

The scipy function is faster, but not so much. I'm looking for a better alternative to calculate the variance.

Any ideas???

解决方案

Here a fast solution using OpenCV:

import cv2

def winVar(img, wlen):
  wmean, wsqrmean = (cv2.boxFilter(x, -1, (wlen, wlen),
    borderType=cv2.BORDER_REFLECT) for x in (img, img*img))
  return wsqrmean - wmean*wmean

On my machine and for the following example, winVar() is 2915 times faster than ndimage.generic_filter() and 10.8 times faster than sliding_img_var() (see pv.'s answer):

In [66]: img = np.random.randint(0, 256, (500,500)).astype(np.float)

In [67]: %timeit winVar(img, 3)
100 loops, best of 3: 1.76 ms per loop

In [68]: %timeit ndimage.generic_filter(img, np.var, size=3)
1 loops, best of 3: 5.13 s per loop

In [69]: %timeit sliding_img_var(img, 1)
100 loops, best of 3: 19 ms per loop

Result matches that of ndimage.generic_filter():

In [70]: np.allclose(winVar(img, 3), ndimage.generic_filter(img, np.var, size=3))
Out[70]: True

这篇关于有效地计算图像python的方差的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！