使用 Python 讀取一個保存在本地硬盤上的視頻文件，視頻文件的編碼方式是使用的原始的 RGBA 格式寫入的，即無壓縮的原始視頻文件。最開始直接使用 Python 對讀取到的文件數(shù)據(jù)進行處理，然后顯示在 Matplotlib 窗口上，后來發(fā)現(xiàn)視頻播放的速度比同樣的處理邏輯的 C++ 代碼慢了很多，嘗試了不同的方法，最終實現(xiàn)了在 Python 中讀取并顯示視頻文件，幀率能夠達到 120 FPS 以上。

讀取一幀圖片數(shù)據(jù)并顯示在窗口上

最簡單的方法是直接在 Python 中讀取文件，然后逐像素的分配 RGB 值到窗口中，最開始使用的是 matplotlib 的 pyplot 組件。

一些用到的常量：

FILE_NAME = "I:/video.dat"
WIDTH = 2096
HEIGHT = 150
CHANNELS = 4
PACK_SIZE = WIDTH * HEIGHT * CHANNELS

每幀圖片的寬度是 2096 個像素，高度是 150 個像素，CHANNELS 指的是 RGBA 四個通道，因此 PACK_SIZE 的大小就是一副圖片占用空間的字節(jié)數(shù)。

首先需要讀取文件。由于視頻編碼沒有任何壓縮處理，大概 70s 的視頻（每幀約占 1.2M 空間，每秒 60 幀）占用達 4Gb 的空間，所以我們不能直接將整個文件讀取到內(nèi)存中，借助 Python functools 提供的 partial 方法，我們可以每次從文件中讀取一小部分數(shù)據(jù)，將 partial 用 iter 包裝起來，變成可迭代的對象，每次讀取一幀圖片后，使用 next 讀取下一幀的數(shù)據(jù)，接下來先用這個方法將保存在文件中的一幀數(shù)據(jù)讀取顯示在窗口中。

with open( file, 'rb') as f:
  e1 = cv.getTickCount()
  records = iter( partial( f.read, PACK_SIZE), b'' ) # 生成一個 iterator
  frame = next( records ) # 讀取一幀數(shù)據(jù)
  img = np.zeros( ( HEIGHT, WIDTH, CHANNELS ), dtype = np.uint8)
  for y in range(0, HEIGHT):
    for x in range( 0, WIDTH ):
      pos = (y * WIDTH + x) * CHANNELS
      for i in range( 0, CHANNELS - 1 ):
        img[y][x][i] = frame[ pos + i ]
      img[y][x][3] = 255
  plt.imshow( img )
  plt.tight_layout()
  plt.subplots_adjust(left=0, right=1, top=1, bottom=0)
  plt.xticks([])
  plt.yticks([])
  e2 = cv.getTickCount()
  elapsed = ( e2 - e1 ) / cv.getTickFrequency()
  print("Time Used: ", elapsed )
  plt.show()

需要說明的是，在保存文件時第 4 個通道保存的是透明度，因此值為 0，但在 matplotlib （包括 opencv）的窗口中顯示時第 4 個通道保存的一般是不透明度。我將第 4 個通道直接賦值成 255，以便能夠正常顯示圖片。

這樣就可以在我們的窗口中顯示一張圖片了，不過由于圖片的寬長比不協(xié)調(diào)，使用 matplotlib 繪制出來的窗口必須要縮放到很大才可以讓圖片顯示的比較清楚。

為了方便稍后的性能比較，這里統(tǒng)一使用 opencv 提供的 getTickCount 方法測量用時?？梢詮目刂婆_中看到顯示一張圖片，從讀取文件到最終顯示大概要用 1.21s 的時間。如果我們只測量三層嵌套循環(huán)的用時，可以發(fā)現(xiàn)有 0.8s 的時間都浪費在循環(huán)上了。

讀取并顯示一幀圖片用時 1.21s

在處理循環(huán)上用時 0.8s

約百萬級別的循環(huán)處理，同樣的代碼放在 C++ 里面性能完全沒有問題，在 Python 中執(zhí)行起來就不一樣了。在 Python 中這樣的處理速度最多就 1.2 fps。我們暫時不考慮其他方法進行優(yōu)化，而是將多幀圖片動態(tài)的顯示在窗口上，達到播放視頻的效果。

連續(xù)讀取圖片并顯示

這時我們繼續(xù)讀取文件并顯示在窗口上，為了能夠動態(tài)的顯示圖片，我們可以使用 matplotlib.animation 動態(tài)顯示圖片，之前的程序需要進行相應的改動:

fig = plt.figure()
ax1 = fig.add_subplot(1, 1, 1)
try:
  img = np.zeros( ( HEIGHT, WIDTH, CHANNELS ), dtype = np.uint8)
  f = open( FILE_NAME, 'rb' )
  records = iter( partial( f.read, PACK_SIZE ), b'' )
  
  def animateFromData(i):
    e1 = cv.getTickCount()
    frame = next( records ) # drop a line data
    for y in range( 0, HEIGHT ):
      for x in range( 0, WIDTH ):
        pos = (y * WIDTH + x) * CHANNELS
        for i in range( 0, CHANNELS - 1 ):
          img[y][x][i] = frame[ pos + i]
        img[y][x][3] = 255
    ax1.clear()
    ax1.imshow( img )
    e2 = cv.getTickCount()
    elapsed = ( e2 - e1 ) / cv.getTickFrequency()
    print( "FPS: %.2f, Used time: %.3f" % (1 / elapsed, elapsed ))

  a = animation.FuncAnimation( fig, animateFromData, interval=30 ) # 這里不要省略掉 a = 這個賦值操作
  plt.tight_layout()
  plt.subplots_adjust(left=0, right=1, top=1, bottom=0)
  plt.xticks([])
  plt.yticks([])
  plt.show()
except StopIteration:
  pass
finally:
  f.close()

和第 1 部分稍有不同的是，我們顯示每幀圖片的代碼是在 animateFromData 函數(shù)中執(zhí)行的，使用 matplotlib.animation.FuncAnimation 函數(shù)循環(huán)讀取每幀數(shù)據(jù)（給這個函數(shù)傳遞的 interval = 30 這個沒有作用，因為處理速度跟不上）。另外值得注意的是不要省略掉 a = animation.FuncAnimation( fig, animateFromData, interval=30 ) 這一行的賦值操作，雖然不太清楚原理，但是當我把 a = 刪掉的時候，程序莫名的無法正常工作了。

控制臺中顯示的處理速度：

由于對 matplotlib 的了解不多，最開始我以為是 matplotlib 顯示圖像過慢導致了幀率上不去，打印出代碼的用時后發(fā)現(xiàn)不是 matplotlib 的問題。因此我也使用了 PyQt5 對圖像進行顯示，結(jié)果依然是 1~2 幀的處理速度。因為只是換用了 Qt 的界面進行顯示，邏輯處理的代碼依然沿用的 matplotlib.animation 提供的方法，所以并沒有本質(zhì)上的區(qū)別。這段用 Qt 顯示圖片的代碼來自于 github matplotlib issue，我對其進行了一些適配。

使用 Numpy 的數(shù)組處理 api

我們知道，顯示圖片這么慢的原因就是在于 Python 處理 2096 * 150 這個兩層循環(huán)占用了大量時間。接下來我們換用一種 numpy 的 reshape 方法將文件中的像素數(shù)據(jù)讀取到內(nèi)存中。注意 reshape 方法接收一個 ndarray 對象。我這種每幀數(shù)據(jù)創(chuàng)造一個 ndarray 數(shù)組的方法可能會存在內(nèi)存泄漏的風險，實際上可以調(diào)用一個 ndarray 數(shù)組對象的 reshape 方法。這里不再深究。

重新定義一個用于動態(tài)顯示圖片的函數(shù) optAnimateFromData，將其作為參數(shù)傳遞個 FuncAnimation：

def optAnimateFromData(i):
  e1 = cv.getTickCount()
  frame = next( records ) # one image data
  img = np.reshape( np.array( list( frame ), dtype = np.uint8 ), ( HEIGHT, WIDTH, CHANNELS ) )
  img[ : , : , 3] = 255
  ax1.clear()
  ax1.imshow( img )
  e2 = cv.getTickCount()
  elapsed = ( e2 - e1 ) / cv.getTickFrequency()
  print( "FPS: %.2f, Used time: %.3f" % (1 / elapsed, elapsed ))

a = animation.FuncAnimation( fig, optAnimateFromData, interval=30 )

效果如下，可以看到使用 numpy 的 reshape 方法后，處理用時大幅減少，幀率可以達到 8~9 幀。然而經(jīng)過優(yōu)化后的處理速度仍然是比較慢的：

優(yōu)化過的代碼執(zhí)行結(jié)果

使用 Numpy 提供的 memmap

在用 Python 進行機器學習的過程中，發(fā)現(xiàn)如果完全使用 Python 的話，很多運算量大的程序也是可以跑的起來的，所以我確信可以用 Python 解決我的這個問題。在我不懈努力下找到 Numpy 提供的 memmap api，這個 API 以數(shù)組的方式建立硬盤文件到內(nèi)存的映射，使用這個 API 后程序就簡單一些了：

cv.namedWindow("file")
count = 0
start = time.time()
try:
  number = 1
  while True:
    e1 = cv.getTickCount()
    img = np.memmap(filename=FILE_NAME, dtype=np.uint8, shape=SHAPE, mode="r+", offset=count )
    count += PACK_SIZE
    cv.imshow( "file", img )
    e2 = cv.getTickCount()
    elapsed = ( e2 - e1 ) / cv.getTickFrequency()
    print("FPS: %.2f Used time: %.3f" % (number / elapsed, elapsed ))
    key = cv.waitKey(20)
    if key == 27: # exit on ESC
      break
except StopIteration:
  pass
finally:
  end = time.time()
  print( 'File Data read: {:.2f}Gb'.format( count / 1024 / 1024 / 1024), ' time used: {:.2f}s'.format( end - start ) )
  cv.destroyAllWindows()

將 memmap 讀取到的數(shù)據(jù) img 直接顯示在窗口中 cv.imshow( "file", img)，每一幀打印出顯示該幀所用的時間，最后顯示總的時間和讀取到的數(shù)據(jù)大小：

執(zhí)行效率最高的結(jié)果

讀取速度非?？?，每幀用時只需幾毫秒。這樣的處理速度完全可以滿足 60FPS 的需求。

總結(jié)

Python 語言寫程序非常方便，但是原生的 Python 代碼執(zhí)行效率確實不如 C++，當然了，比 JS 還是要快一些。使用 Python 開發(fā)一些性能要求高的程序時，要么使用 Numpy 這樣的庫，要么自己編寫一個 C 語言庫供 Python 調(diào)用。在實驗過程中，我還使用 Flask 讀取文件后以流的形式發(fā)送的瀏覽器，讓瀏覽器中的 JS 文件進行顯示，不過同樣存在著很嚴重的性能問題和內(nèi)存泄漏問題。這個過程留到之后再講。

本文中的相應代碼可以在 github 上查看。

Reference

functools

partial

opencv

matplotlib animation

numpy

numpy reshape

memmap

matplotlib issue on github

C 語言擴展

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論