高效标准化 Numpy 数组中的图像

Question

我有一个形状为 (N, H, W, C) 的图像的 numpy 数组，其中 N 是图像的数量，H 是图像高度，W 是图像宽度，C 是 RGB 通道。

我想按通道标准化我的图像，因此对于每个图像，我想按通道减去图像通道的平均值并除以其标准差。

我在一个循环中执行此操作，这很有效，但是效率非常低，并且因为它会复制我的 RAM 太满了。

def standardize(img):
    mean = np.mean(img)
    std = np.std(img)
    img = (img - mean) / std
    return img

for img in rgb_images:
    r_channel = standardize(img[:,:,0])
    g_channel = standardize(img[:,:,1])
    b_channel = standardize(img[:,:,2])
    normalized_image = np.stack([r_channel, g_channel, b_channel], axis=-1)
    standardized_images.append(normalized_image)
standardized_images = np.array(standardized_images)

如何更有效地利用 numpy 的功能？

Answer 1

沿第二个和第三个轴执行 ufunc 缩减（均值、标准差），同时保持维度不变，这有助于稍后在除法步骤中的 broadcasting -

mean = np.mean(rgb_images, axis=(1,2), keepdims=True)
std = np.std(rgb_images, axis=(1,2), keepdims=True)
standardized_images_out = (rgb_images - mean) / std

根据公式重新使用平均值来计算标准偏差，从而进一步提高性能，因此受到 this solution 的启发，就像这样 -

std = np.sqrt(((rgb_images - mean)**2).mean((1,2), keepdims=True))

将归约轴作为参数打包成一个函数，我们会有 -

from __future__ import division

def normalize_meanstd(a, axis=None): 
    # axis param denotes axes along which mean & std reductions are to be performed
    mean = np.mean(a, axis=axis, keepdims=True)
    std = np.sqrt(((a - mean)**2).mean(axis=axis, keepdims=True))
    return (a - mean) / std

standardized_images = normalize_meanstd(rgb_images, axis=(1,2))