numpy对图像重映射的通用优化方法

最近的图像处理涉及到了很多重映射的算法，比如 线性对比度变换， 伽马变换， 二值化， 对数变换， 直方图均衡化等，这些算法具有以下特性：

• 基于每一个像素点的处理
• 一对一或多对一的映射，不存在一对多的映射
• 每一个像素点之间没有关联

以上特点使得这类重映射算法可以用向量化运算做并行处理。

映射函数

这里以图像的伽马变换为例子，伽马变换实际上是将颜色数据规格化到[0,1]并取幂函数的值，即以下的函数关系。
$f(x)=((x/255{)}^{gamma})\times 255$

从映射函数计算查找表

由于颜色数据的类型是uint8，并且不存在一对多的映射，所以我们可以制作一个长度为256的查找表用来存储结果。方法很简单，只需要把range(0,256)序列作为上述函数的输入即可。

#关键代码
np.power(np.arange(0,256)/255,val)*255
#实际代码	
Map = np.clip(np.round(np.power((np.arange(0,256).astype(np.float64))/255,val)*255),0,255).astype(np.uint8)

由于整型数据可能会上溢，所以这里将np.arange(0,256)转换为浮点型
输出类型是uint8，为了避免转换成短类型溢出，需要四舍五入并且钳制到[0,255]
最后转换成uint8即可。

使用数组切片并行处理

这里把img.data[:,:,:]（即x坐标，y坐标，颜色通道）作为下标去索引map查找表，此时data会被替换成查找表对应的值

img.data = Map[img.data[:,:,:]].astype(np.uint8)