python 多进程处理图像

主要内容

比较是否开启多进程对图片处理速度的差异

任务目标：

研究生的第一个任务是做皮肤检测，这是一个老问题了，我还记得小时候买的数码相机就有这个功能。因为这里主要是比较处理的速度，所以只使用简单的基于RGB颜色空间。
处理上采用对每个像素点遍历的方法

def deal_img(img, func, axis=2):  # func 对每个像素做的处理
    return apply_along_axis(func, axis, img)
def rgb_test(pixel):
    B, G, R = int(pixel[0]), int(pixel[1]), int(pixel[2])
    # 均匀日光照射环境下
    return R > 95 and G > 40 and B > 20 and max(R, G, B)-min(R, G, B) > 15 \
        and abs(R-G) > 15 and R > G and R > B

多进程的核心就是下面的代码

def skin_test(img):
    return deal_img(img, rgb_test)

def skin_test_multiprocess(imgs):
    res = []
    with ProcessPoolExecutor() as executor:
        # 将一系列源数据送入同一个函数中处理，返回的结果是一个迭代器
        #   结果                处理函数    源数据
        for ans in executor.map(skin_test, imgs):
            res.append(ans)
    return res

ProcessPoolExecutor

这个类的简单使用就像上面写的那样，值得注意的有两点

1. executor.map(func, iterables, timeout=None)其中func是执行的函数,iterables是一个可迭代对象，返回的是一个可迭代对象，不能直接print；
2. 实践过程中发现在skin_test_multiprocess()中嵌套定义func函数会导致AttributeError，原因不明；
3. 过程中发现了一些有趣的现象：两种方式在数据量小的时候差别不大，但多进程在处理大量数据时会比较有优势。

结果

本地运行的结果如下图所示，CPU为i5-1035G1

服务器运行的结果如下图，CPU为双核四线程

（图中的multipeocesses有误，应为multipeocess）

注意点：

1. ipython可以在启动时自动导入包，可以参考文档中对c.InteractiveShellApp.exec_files的描述
   http://ipython.org/ipython-doc/stable/config/intro.html#setting-configurable-options
   但要注意【】

2. ubuntu上opencv的安装

   apt install python3-opencv

   上面这一行代码就可以了，注意的是pip中直接安装opencv可能会有问题，容易出现缺少运行库的问题，至少在我的实践中conda和pip都没能安装好opencv