python之加快矩阵中每个 x,y 点的角度计算

我有一个 3-d Numpy 数组 flow 如下:

flow = np.random.uniform(low=-1.0, high=1.0, size=(720,1280,2)) 
# Suppose flow[0] are x-coordinates. flow[1] are y-coordinates. 

需要计算每个 x,y 点的角度。以下是我的实现方式:

def calcAngle(a): 
    assert(len(a) == 2) 
    (x, y) = a 
    # angle_deg = 0 
    angle_deg = np.angle(x + y * 1j, deg=True) 
    return angle_deg 
 
fangle = np.apply_along_axis(calcAngle, axis=2, arr=flow)  
# The above statement takes 14.0389318466 to execute 

在我的 Macbook Pro 上执行每个点的角度计算需要 14.0389318466 秒。

有没有一种方法可以加快速度，可能是通过使用一些矩阵运算，而不是一次处理一个像素。

请您参考如下方法:

您可以使用 numpy.arctan2()获取以弧度为单位的角度，然后使用 numpy.rad2deg() 转换为度数:

fangle = np.rad2deg(np.arctan2(flow[:,:,1], flow[:,:,0])) 

在我的电脑上，这比 Divakar 的版本快一点:

In [17]: %timeit np.angle(flow[...,0] + flow[...,1] * 1j, deg=True) 
10 loops, best of 3: 44.5 ms per loop 
 
In [18]: %timeit np.rad2deg(np.arctan2(flow[:,:,1], flow[:,:,0])) 
10 loops, best of 3: 35.4 ms per loop 

使用 np.angle() 的一种更有效的方法是创建一个复杂的 flow View 。如果 flow 是类型为 np.float64 且形状为 (m, n, 2) 的数组，则 flow.view(np .complex128)[:,:,0] 将是 np.complex128 类型的数组，形状为 (m, n):

fangle = np.angle(flow.view(np.complex128)[:,:,0], deg=True) 

这似乎比使用 arctan2 后跟 rad2deg 快一点点(但差异并不远高于 timeit 的测量噪音):

In [47]: %timeit np.angle(flow.view(np.complex128)[:,:,0], deg=True) 
10 loops, best of 3: 35 ms per loop 

请注意，如果 flow 创建为某个其他数组的转置，或者使用大于 1 的步长创建为另一个数组的切片，则这可能不起作用。