如何提高numpy迭代的效率？

Question

关于图像二值化转换为灰度图像。我正在尝试一个简单的4x4矩阵，它将使图像比原始图像大16倍。在

dithering_matrix = array([[ 0,  8,  2, 10],
                          [12,  4, 14,  6],
                          [ 3, 11,  1,  9],
                          [15,  7, 13,  5]], dtype=uint8)
split_num = dithering_matrix.size + 1

我读了一个512x512图像到imndarray并做了以下事情：

^{pr2}$

我发现输出需要8-10秒，我认为上面的im的循环花费了很多时间。在一些软件中，同样的操作通常在一个闪存中完成。那么，有没有可能提高效率呢？在

---

更新： @伊格纳西奥·巴斯克斯·艾布拉姆斯 我不熟悉profiler：（我试过cProfile，结果很奇怪。在

         1852971 function calls (1852778 primitive calls) in 9.127 seconds

   Ordered by: internal time
   List reduced from 561 to 20 due to restriction <20>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    6.404    6.404    9.128    9.128 a1.1.py:10(<module>)
      513    0.778    0.002    0.778    0.002 {numpy.core.multiarray.concatenate
}
   262144    0.616    0.000    1.243    0.000 D:\Python27\lib\site-packages\nump
y\core\shape_base.py:6(atleast_1d)
   262696    0.260    0.000    0.261    0.000 {numpy.core.multiarray.array}
   262656    0.228    0.000    0.487    0.000 D:\Python27\lib\site-packages\nump
y\core\numeric.py:237(asanyarray)
      515    0.174    0.000    1.419    0.003 {map}
   527019    0.145    0.000    0.145    0.000 {method 'append' of 'list' objects
}

py的第10行是第一行from numpy import *（之前的所有注释），这让我很困惑。在

Answer 1

如果使用Kronecker product将每个像素转换为4x4子矩阵，则可以消除Python循环：

im2 = np.kron(im, np.ones((4,4)))
dm2 = np.tile(dithering_matrix,(512,512))
out2 = ((im2 / (256 / split_num)) > dm2) * 255

在我的机器上，这大约比你的版本快20倍。在