arrays - significa - ¿Hay alguna forma conveniente de aplicar una tabla de búsqueda a una matriz grande en números?

que es un array en c++

Question

Tengo una imagen leída en números con unos pocos píxeles en mi matriz resultante.

Calculé una tabla de búsqueda con 256 valores. Ahora quiero hacer lo siguiente:

for i in image.rows:
for j in image.cols:
mapped_image[i,j] = lut[image[i,j]]

Sí, eso es básicamente lo que hace un lut.
El único problema es: quiero hacerlo de manera eficiente y llamar a ese bucle en Python me hará esperar algunos segundos para que termine.

Sé de numpy.vectorize() , es simplemente una función de conveniencia que llama al mismo código de Python.

Answer 1

La respuesta de TheodrosZelleke es correcta, pero solo quería agregarle un poco de sabiduría indocumentada. Numpy proporciona una función, np.take , que según la documentación "hace lo mismo que la indexación elegante".

Bueno, casi, pero no exactamente lo mismo:

>>> import numpy as np
>>> lut = np.arange(256)
>>> image = np.random.randint(256, size=(5000, 5000))
>>> np.all(lut[image] == np.take(lut, image))
True
>>> import timeit
>>> timeit.timeit(''lut[image]'',
... ''from __main__ import lut, image'', number=10)
4.369504285407089
>>> timeit.timeit(''np.take(lut, image)'',
... ''from __main__ import np, lut, image'', number=10)
1.3678052776554637

np.take es aproximadamente 3 veces más rápido! En mi experiencia, al usar luts 3D para convertir imágenes de RGB a otros espacios de color, agregar lógica para convertir la búsqueda 3D en una búsqueda aplanada 1D permite una aceleración de x10.

Answer 2

Puede usar la image para indexar en lut si lut es 1D .
Aquí hay un motor de arranque en indexación en NumPy:
http://www.scipy.org/Tentative_NumPy_Tutorial#head-864862d3f2bb4c32f04260fac61eb4ef34788c4c

In [54]: lut = np.arange(10) * 10
In [55]: img = np.random.randint(0,9,size=(3,3))
In [56]: lut
Out[56]: array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])
In [57]: img
Out[57]:
array([[2, 2, 4],
[1, 3, 0],
[4, 3, 1]])
In [58]: lut[img]
Out[58]:
array([[20, 20, 40],
[10, 30, 0],
[40, 30, 10]])

Cuidado también la indexación comienza en 0