我想读取一个灰度图像,说一些具有 (248, 480, 3) 形状的东西,然后使用它的每个元素作为 lam 值来制作泊松随机值并对每个元素执行此操作并制作新数据设置相同的形状。我想像 nscan 那样做这个,然后我想将它们全部加在一起并将它们放入一个新的数据集中并再次绘制它以获得与我放置的第一张图像相似的东西在一开始的时候。这段代码可以运行,但速度非常慢,我想知道是否有任何方法可以让它更快?
import numpy as np
import matplotlib.pyplot as plt
my_image = plt.imread('myimage.png')
def genP(data):
new_data = np.zeros(data.shape)
for i in range(data.shape[0]):
for j in range(data.shape[1]):
for k in range(data.shape[2]):
new_data[i, j, k] = np.random.poisson(lam = data[i, j, k])
return new_data
def get_total(data, nscan = 1):
total = genP(data)
for i in range(nscan):
total += genP(data)
total = total/nscan
plt.imshow(total)
plt.show()
get_total(my_image, 100)
请您参考如下方法:
numpy.random.poisson可以完全取代你的 genP() 功能...这基本上可以保证快得多。
If size is None (default), a single value is returned if lam is a scalar. Otherwise, np.array(lam).size samples are drawn
def get_total(data, nscan = 1):
total = np.random.poisson(lam=data)
for i in range(nscan):
total += np.random.poisson(lam=data)
total = total/nscan
plt.imshow(total)
plt.show()
