Python - 计算图像的直方图

Question

我正在学习计算机图像处理的基础知识，并且同时自学Python。

给定一个尺寸为2048x1354，具有3个通道的图像x，高效地计算像素强度的直方图。

import numpy as np, cv2 as cv

img = cv.imread("image.jpg")
bins = np.zeros(256, np.int32)

for i in range(0, img.shape[0]):
    for j in range(0, img.shape[1]):

        intensity = 0
        for k in range(0, len(img[i][j])):
            intensity += img[i][j][k]

        bins[intensity/3] += 1

print bins

我的问题是这段代码运行得比较慢，大约需要30秒钟。我应该如何加速并使其更符合Pythonic风格？

- Jason

---

也许这会有所帮助。 - iMom0

通过3个嵌套的for循环，您的算法执行时间为O(n^3)，非常缓慢。 - geoff

这并非与您原来的问题直接相关，但请考虑使用更好的算法生成直方图。由于您可能对所感知的颜色感兴趣，因此可以尝试使用亮度计算：https://dev59.com/QHRB5IYBdhLWcg3wiHpl - akirilov

@geoff 第三个循环只运行固定次数，可能是3次。它与图像的大小无关。 - Mark Ransom

一个小的改进是替换内部循环：for k in img[i][j]: intensity += k。循环range(len(...))永远不是一个好兆头。更好的方法是使用sum(img[i][j])并完全消除循环。 - Mark Ransom

Answer 1

你可以使用更新的OpenCV Python接口，该接口本身使用numpy数组，并使用matplotlib hist绘制像素强度的直方图。在我的电脑上只需要不到一秒钟。

import matplotlib.pyplot as plt
import cv2

im = cv2.imread('image.jpg')
# calculate mean value from RGB channels and flatten to 1D array
vals = im.mean(axis=2).flatten()
# plot histogram with 255 bins
b, bins, patches = plt.hist(vals, 255)
plt.xlim([0,255])
plt.show()

更新： 以上指定的箱子数量并不总是提供所需的结果，因为最小值和最大值是从实际值计算出来的。此外，值为254和255的计数在最后一个箱子中合并。这里是更新后的代码，它总是正确地绘制直方图，并使条形居中于值0..255。

import numpy as np
import matplotlib.pyplot as plt
import cv2

# read image
im = cv2.imread('image.jpg')
# calculate mean value from RGB channels and flatten to 1D array
vals = im.mean(axis=2).flatten()
# calculate histogram
counts, bins = np.histogram(vals, range(257))
# plot histogram centered on values 0..255
plt.bar(bins[:-1] - 0.5, counts, width=1, edgecolor='none')
plt.xlim([-0.5, 255.5])
plt.show()

- Ondro

---

请问您能否解释一下 plt.bar(bins[:-1] - 0.5, counts, width=1, edgecolor='none') 的动机是什么？ - Beginner

很好，应该使用 plt.bar(bins[:-1], counts, width=1, edgecolor='none') 来绘制以值0..255为中心的直方图。 - Ondro

Answer 2

如果您只想计算数组中每个值出现的次数，可以使用 numpy 的 numpy.bincount。在您的情况下：

arr  = numpy.asarray(img)
flat = arr.reshape(numpy.prod(arr.shape[:2]),-1)
bins = numpy.bincount(np.sum(flat,1)/flat.shape[1],minsize=256)

我在这里使用 `numpy.asarray` 来确保 `img` 是一个 numpy 数组，这样我就可以将其展平为一维数组 `bincount` 所需的格式。如果 `img` 已经是一个数组，你可以跳过这一步。计数本身会非常快速。大部分时间可能会花费在将 cv 矩阵转换为数组上。

修改：根据 这个答案，你可能需要使用 `numpy.asarray(img[:,:])`（或者可能是 `img[:,:,:]`）才能成功地将图片转换为数组。另一方面，根据这个答案，从较新版本的 openCV 中得到的内容已经是一个 numpy 数组。所以在那种情况下，你可以完全跳过 `asarray`。

- amaurea

---

这是最好的答案。使用CV2就像用大炮打蚊子一样。当有纯numpy或基于numpy的库，如scikit-image时，不需要为所有事情都使用openCV。 - lesolorzanov

Answer 3

纯Python无法做到这一点（即不删除for循环）。Python的for循环结构有太多的东西要处理，因此速度不够快。如果您确实想保留for循环，唯一的解决方案是使用numba或cython，但这些工具也有其自身的问题。通常，这类循环会使用C/C++编写（在我看来是最直接的方式），然后从Python中调用，其主要作用是一个脚本语言。

虽然如此，opencv + numpy提供了足够的有用程序，可以在90％的情况下简单地使用内置函数，而无需编写自己的像素级代码。

这里是一个使用numba的解决方案，而不改变您的循环代码。在我的电脑上，它比纯Python快大约150倍。

import numpy as np, cv2 as cv

from time import time
from numba import jit,int_,uint8 

@jit(argtypes=(uint8[:,:,:],int_[:]),
    locals=dict(intensity=int_),
    nopython=True
    )
def numba(img,bins):
    for i in range(0, img.shape[0]):
        for j in range(0, img.shape[1]):
            intensity = 0
            for k in range(0, len(img[i][j])):
                intensity += img[i][j][k]
            bins[intensity/3] += 1


def python(img,bins):
    for i in range(0, img.shape[0]):
        for j in range(0, img.shape[1]):
            intensity = 0
            for k in range(0, len(img[i][j])):
                intensity += img[i][j][k]
            bins[intensity/3] += 1

img = cv.imread("image.jpg")
bins = np.zeros(256, np.int32)

t0 = time()
numba(img,bins)
t1 = time()
#print bins
print t1 - t0

bins[...]=0
t0 = time()
python(img,bins)
t1 = time()
#print bins
print t1 - t0    

- Zaw Lin

Answer 4

请看MatPlotLib。这个教程可以帮助你完成你想做的一切，而且不需要使用for循环。

- Wesley Bowman

---

我知道已经存在工具。然而，我想将其作为语言和算法的学习机会。 - Jason

Python的一个重要部分是学习可用的工具，而matplotlib是一个我几乎在所有代码中都使用的大型库。我理解你想要学习这门语言，但Python的实用性在于有很多工具可以让你轻松高效地完成各种任务。 - Wesley Bowman

另一种加速的方法是使用numpy，但这里你仍然需要使用库来帮助你。Python不是最适合使用'for'循环的语言。你可以使用Numpy将代码向量化，或者使用Matplotlib以更简单的方式完成它。 - Wesley Bowman

Python之所以伟大的主要原因不是语言本身（虽然这也很好（但速度较慢））。它的巨大标准库是最重要的，如果您不使用它们，就会让Python失去功能。 - amaurea

同意。这非常快。有趣的是，使用matplotlib和cv2导入图像的方式会导致img变量的不同值。如果使用cv2导入，则像素的值将在[0,255]之间。如果使用matplotlib导入图像，则值将在[0,1]之间。 - alpha_989

Answer 5

来自OpenCV文档：

单通道直方图（图像转换为灰度）：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('home.jpg',0)
plt.hist(img.ravel(),256,[0,256]); plt.show()

RGB直方图（每个通道分别）

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('home.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
    histr = cv.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,256])
plt.show()

- apatsekin