虽然不是GPU(而是尝试利用线程和CPU的矢量单元),但pyvips比scipy快得多,您可以进行测试。
我进行了基准测试:
import sys
import time
import scipy.ndimage
import pyvips
scale = 10
n_loops = 10
start = time.time()
test_image = scipy.ndimage.imread(sys.argv[1])
for i in range(0, n_loops):
result = scipy.ndimage.interpolation.zoom(test_image, scale)
end = time.time()
print 'scipy took', end - start
start = time.time()
test_image = pyvips.Image.new_from_file(sys.argv[1])
for i in range(0, n_loops):
result = test_image.resize(scale).write_to_memory()
end = time.time()
print 'pyvips took', end - start
ndi = scipy.ndimage.imread(sys.argv[1])
result = scipy.ndimage.interpolation.zoom(ndi, scale)
scipy.misc.imsave('ndi.tif', result)
im = pyvips.Image.new_from_file(sys.argv[1], access='sequential')
result = im.resize(scale)
result.write_to_file('pyvips.tif')
默认都是双三次插值。pyvips是一个懒惰库,所以你需要在结尾处使用额外的write_to_memory()
来生成内存数组。
在这台四核/八线程的Ubuntu 17.10桌面上,使用所有库的预装版本和一个512x512单色版本的“lena”测试图像,我看到:
$ python zoom.py ~/pics/lena.png
scipy took 15.6309859753
pyvips took 1.36838102341
一个GPU的升频器显然会更快,但也许pyvips已经足够快了?
如果你比较这两个输出图像,你会发现scipy的那个向上移动了一点点。你可以用一个非常小的输入图像更清楚地看到正在发生的事情,例如这个3x3像素的图像:
![3x3 pixel test image](https://istack.dev59.com/ASQLl.webp)
当被scipy放大20倍和pyvips变成:
![20x upsize with scipy and pyvips](https://istack.dev59.com/Ewcgk.webp)
这使我感到困惑。此外,它们明显使用不同的内核,这也很奇怪。
pyvips
并将上述的big
转换为 ndarray,代码如下:numpy.ndarray(buffer=big.write_to_memory(), dtype=numpy.uint8, shape=[big.height, big.width, big.bands])
。然后我尝试将图像与scipy.ndimage.zoom(image, (4, 4, 1.0), order=3)
进行比较,并发现由于某种原因像素有些偏移。我对pyvips
不太熟悉,请告诉我是否正确地使用了pyvips
。 - chesschipyvips
的文档,但它并没有解释resize
是如何实现的。另一方面,在使用scipy
时,输入会在插值之前预先使用样条滤波器进行过滤。这在pyvips
中可能会有不同的处理方式。 - chesschivips_affine
进行上采样,参数设置为中心约定双三次插值和边缘扩展。双三次插值器使用4x4的模板(自适应的双三次降采样)。我将看一下spline_filter
,也许这就是区别所在。 - jcupitt