非常教程

Scikit image参考手册

指南 | Guide

How to parallelize loops

在图像处理中,我们经常在大量图像上应用相同的算法。在这一段中,我们建议使用joblib来并行化循环。这是一个重复性任务的例子:

from skimage import data, color, util
from skimage.restoration import denoise_tv_chambolle
from skimage.feature import hog

def task(image):
    """
    Apply some functions and return an image.
    """
    image = denoise_tv_chambolle(image[0][0], weight=0.1, multichannel=True)
    fd, hog_image = hog(color.rgb2gray(image), orientations=8,
                        pixels_per_cell=(16, 16), cells_per_block=(1, 1),
                        visualise=True)
    return hog_image


# Prepare images
hubble = data.hubble_deep_field()
width = 10
pics = util.view_as_windows(hubble, (width, hubble.shape[1], hubble.shape[2]), step=width)

task在列表的每个元素上调用该函数pics,通常需要编写一个for循环。为了衡量这个循环的执行时间,你可以使用ipython并用%timeit。来衡量执行时间。

def classic_loop():
    for image in pics:
        task(image)


%timeit classic_loop()

编码此循环的另一个等效方法是使用具有相同效率的理解列表。

def comprehension_loop():
    [task(image) for image in pics]

%timeit comprehension_loop()

joblib是一个库,提供一个简单的方法来并行化循环,一旦我们有一个理解列表。作业的数量可以被指定。

from joblib import Parallel, delayed
def joblib_loop():
    Parallel(n_jobs=4)(delayed(task)(i) for i in pics)

%timeit joblib_loop()
Scikit image

Scikit-image 是用于图像处理的 Python 包,使用原生的 NumPy 数组作为图像对象。

主页 http://scikit-image.org/
源码 https://github.com/scikit-image/scikit-image
发布版本 0.13.1