如何提升DM-Script高斯模糊效率，缩小与Python SciPy的性能差距

我用以下DM-Script代码生成高斯模糊图像，处理4K图像耗时约2秒，但Python SciPy的类似操作仅需0.5秒。

原DM-Script代码：

Image gaussian_conv(Image src_img, Number std_dev)
{
    // Use the Warp function to stretch the image to fit into the revised dimensions
    number src_img_sx, src_img_sy
    src_img.GetSize(src_img_sx, src_img_sy)
    Image warp_img = RealImage("", 4, src_img_sx, src_img_sy)
    warp_img = Warp(src_img, icol * src_img_sx / src_img_sx, irow * src_img_sy / src_img_sy)

    // Create the gaussian kernel using the same dimensions as the srced image
    Image kernel_img := RealImage("", 4, src_img_sx, src_img_sy)
    Number xmidpoint = src_img_sx / 2
    Number ymidpoint = src_img_sy / 2
    kernel_img = 1 / (2*pi() * std_dev ** 2) * exp(-1 * (((icol - xmidpoint) ** 2 + (irow - ymidpoint) ** 2)/(2 * std_dev ** 2)))

    // Carry out the convolution in Fourier space
    ComplexImage fft_kernel_img := RealFFT(kernel_img)
    ComplexImage fft_src_img := RealFFT(warp_img)
    ComplexImage fft_product_img := fft_src_img * fft_kernel_img.modulus().sqrt()
    RealImage invFFT := RealIFFT(fft_product_img)

    // Warp the convoluted image back to the original size
    Image filter = RealImage("", 4, src_img_sx, src_img_sy)
    filter = Warp(invFFT, icol / src_img_sx * src_img_sx, irow / src_img_sy * src_img_sy)
    return filter
}

Image img := get_front_img()
Number std_dev
String prompt = "Input standard deviation. 0=no blurring, 1=minimal blurring, 3=mild blurring, 10=severe blurring"
GetNumber(prompt, 3, std_dev)
Number time1, time2
time1 = GetCurrentTime()
Image blurred_img := gaussian_conv(img, std_dev)
time2 = GetCurrentTime()
Result(CalcTimeUnitsBetween(time1, time2, 1) + "\n")
blurred_img.ShowImage()

对比的Python代码：

import DigitalMicrograph as DM
import scipy.ndimage.filters as sfilt
import time

img = DM.GetFrontImage()
img_np = img.GetNumArray()
start=time.perf_counter() 
img1_np = sfilt.gaussian_filter(img_np, 3)
end=time.perf_counter()
print("Processing Time= "+str(end-start))    
img1 = DM.CreateImage(img1_np)
img1.ShowImage()

已尝试操作：

• 对比Python SciPy包性能，确认其速度更快；
• 查阅DM-Script文档，未找到性能优化设置。

问题：

1. 在DM-Script中，是否有更优方法或替代方案可提升高分辨率图像的高斯模糊效率？
2. 通过调整参数或使用不同算法，能否在DM-Script中实现性能提升？

优化方案 #

1. 直接使用DM内置高斯模糊函数（最优选择） #

DM内置的GaussianBlur()函数是底层优化实现的，性能远超手动编写的代码，处理4K图像的耗时可接近SciPy水平。

优化后代码：

Image img := get_front_img()
Number std_dev
String prompt = "Input standard deviation. 0=no blurring, 1=minimal blurring, 3=mild blurring, 10=severe blurring"
GetNumber(prompt, 3, std_dev)

Number time1 = GetCurrentTime()
Image blurred_img = img.GaussianBlur(std_dev, std_dev)  // 分别设置x、y方向的σ
Number time2 = GetCurrentTime()

Result(CalcTimeUnitsBetween(time1, time2, 1) + "\n")
blurred_img.ShowImage()

2. 手动优化卷积实现（替代方案） #

如果必须手动实现，可通过以下两点大幅提升性能：

• 移除无意义的Warp操作：原代码中的Warp是等价映射（icol * src_img_sx / src_img_sx等于icol），完全多余，直接删除；
• 使用小尺寸高斯核：高斯函数的能量集中在3σ范围内，只需生成尺寸为ceil(6*σ)+1的小核（比如σ=3时用19x19核），再用Convolve()做空间域卷积，避免全尺寸FFT的巨大开销。

优化后的手动实现代码：

Image gaussian_conv_optimized(Image src_img, Number std_dev)
{
    number src_sx, src_sy
    src_img.GetSize(src_sx, src_sy)
    
    // 生成小尺寸高斯核（覆盖3σ范围）
    Number kernel_size = ceil(6 * std_dev)
    if (kernel_size % 2 == 0) kernel_size += 1  // 确保奇数尺寸
    Number kernel_radius = kernel_size / 2
    
    Image kernel := RealImage("", 4, kernel_size, kernel_size)
    kernel = exp(-((icol - kernel_radius)**2 + (irow - kernel_radius)**2) / (2 * std_dev**2))
    kernel = kernel / Sum(kernel)  // 归一化核
    
    // 空间域卷积
    Image blurred_img = src_img.Convolve(kernel)
    return blurred_img
}

Image img := get_front_img()
Number std_dev
String prompt = "Input standard deviation. 0=no blurring, 1=minimal blurring, 3=mild blurring, 10=severe blurring"
GetNumber(prompt, 3, std_dev)

Number time1 = GetCurrentTime()
Image blurred_img := gaussian_conv_optimized(img, std_dev)
Number time2 = GetCurrentTime()

Result(CalcTimeUnitsBetween(time1, time2, 1) + "\n")
blurred_img.ShowImage()

问题解答 #

1. 有更优方法：优先使用DM内置的GaussianBlur()函数，或手动实现小核空间卷积，两者都能大幅提升效率；
2. 调整算法可实现性能提升：放弃原代码中全尺寸FFT的方案，改用小核卷积或内置函数，处理4K图像的耗时可降低到0.5~1秒区间，接近SciPy的性能。

内容的提问来源于stack exchange，提问作者ChenZX