我正在处理6641x2720图像，以使用移动的GLCM（灰度共生矩阵）窗口生成其特征图像（诸如对比度，第二矩等Haralick特征）。但是它需要永远的运行。该代码工作正常，因为我已经在较小的图像上对其进行了测试。但是，我需要使其运行更快。将尺寸减小到25％（1661x680），需要30分钟。我如何使其运行更快？这是代码：
from skimage.feature import greycomatrix, greycoprops
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import time
start_time = time.time()
img = Image.open('/home/student/python/test50.jpg').convert('L')
y=np.asarray(img, dtype=np.uint8)
#plt.imshow(y, cmap = plt.get_cmap('gray'), vmin = 0, vmax = 255)
contrast = np.zeros((y.shape[0], y.shape[1]), dtype = float)
for i in range(0,y.shape[0]):
for j in range(0,y.shape[1]):
if i < 2 or i > (y.shape[0]-3) or j < 2 or j > (y.shape[1]-3):
continue
else:
s = y[(i-2):(i+3), (j-2):(j+3)]
glcm = greycomatrix(s, [1], [0], symmetric = True, normed = True )
contrast[i,j] = greycoprops(glcm, 'contrast')
print("--- %s seconds ---" % (time.time() - start_time))
plt.imshow(contrast, cmap = plt.get_cmap('gray'), vmin = 0, vmax = 255)
填充GLCM是线性操作：您只需遍历图像/窗口上的所有像素，然后填充匹配的矩阵大小写即可。您的问题是您对每个像素执行操作，而不仅仅是对图像执行操作。因此，在您的情况下，如果图像尺寸为Width x Height，而窗口尺寸为NxN，则总复杂度为Width x Height x（NxN + FeaturesComplexity），这确实很糟糕。
有一个更快的解决方案，但是实现起来比较棘手。目的是减少基质填充操作。这个想法是使用一个Front Front和Backward Front逐行进行工作（原理已经用于获取快速的数学形态学运算符，请参见此处和此处）。当您为两个连续的像素填充矩阵时，您将重用大多数像素，实际上只有左右两个像素是不同的，因此分别为后向和前向。
这是尺寸为3x3的GLCM窗口的说明：
x1 x2 x3 x4
x5 p1 p2 x6
x7 x8 x9 x10
当窗口以p1为中心时，您将使用像素：x1，x2，x3，x5，p2，x7，x8，x9。当窗口在p2上居中时，将使用像素：x2，x3、4，p1，x6，x8，x9，x10。因此，对于p1，您使用x1，x5和x7，但对于p2不使用它们，但是所有其他像素都相同。
该算法的思想是正常计算p1的矩阵，但是当移至p2时，将删除后向前沿（x1，x2，x5），然后添加前向前沿（x4，x6，x10）。这大大减少了计算时间（对于数学形态学运算，线性而不是二次）。这是算法：
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句