tinyscaler 1.2.8

一个支持x86_64和Arm（Neon）架构SIMD指令集的小型CPU图像缩放库。该项目旨在替代OpenCV进行图像缩放，解决安装不便和兼容性问题。我们开发这个库是为了未来在Gymnasium和PettingZoo封装器中使用。

安装

您可以使用pip install tinyscaler从PyPI进行安装。支持Python >=3.8的Linux和macOS。

用法

Tinyscaler包含一个外部函数scale，它使用numpy数组作为输入的图像和新的缩放形状，返回缩放后的图像。

import numpy as np
import tinyscaler

img = np.random.rand(64, 64, 4).astype(np.float32)

resize_img = tinyscaler.scale(img, (32, 32))
print(resize_img.shape, resize_img.dtype)  # (32, 32) np.float32

TinyScaler支持模式='area'，'bilinear'和'mode='nearest'过滤。它还允许用户传递目标缓冲区以避免重复的内存分配。

区域过滤主要适用于缩小，在放大时即使设置了区域过滤也将使用双线性过滤。当缩小比例小于或等于2倍时，区域过滤可能不值得。

TinyScaler通过单个函数使用。完整签名如下

scale(src : np.ndarray, size : tuple, mode='area', dst : np.ndarray = None)

请注意，size元组参数是(width, height)。然而，numpy数组的维度顺序为(height, width, channels)。这类似于OpenCV。

TinyScaler期望一个连续的numpy数组。如果它不是连续的，它将抛出错误。您可以通过调用np.ascontiguousarray使非连续的numpy数组连续。通常numpy数组已经是连续的。

如果最终数组的维度不是4（RGBA），它将自动转换为它。此外，如果数组是uint8，它将被转换为float32。因此，首选的数组形状为(height, width, 4)和dtype=np.float32。

最后，缩小是TinyScaler的重点。它也可以放大，但在此情况下，它可能不会像更复杂的可分离算法那样快。

性能

在一个简单的基准测试中，我们使用双线性过滤将相同的图像（4928x3279）缩放到（852x567），并使用几个库进行了100次缩放。以下是AMD 1950x上（以Python的perf_counter测量的秒数）所用的时间：

Time elapsed for tinyscaler: 0.7968465110002398
Time elapsed for OpenCV: 0.48667862100001
Time elapsed for Pillow: 12.672875003999707
Time elapsed for skimage: 164.45401711399973

以及区域过滤（仅TinyScaler和OpenCV）

Time elapsed for tinyscaler: 4.34793155800071
Time elapsed for OpenCV: 8.118138265999733

所有方法都被强制使用单个线程。对于双线性过滤，OpenCV比TinyScaler稍快，但TinyScaler仍然非常快。

有趣的是，对于区域过滤，TinyScaler更快（几乎是2倍）。