python - OpenCV/numpy : Quickly comparing a large number of contour objects using numpy

Question

我从 1024x1024 显微镜图像的 z 堆栈中识别出许多轮廓对象。每个 z 步包含大约 10000-40000 个轮廓。轮廓平均为 4 个像素。

我想做的是确定多个 z 平面上存在哪些轮廓(当图像重叠时它们相互接触)以及它们的 3 维区域是什么。我可以(大约)完成此操作，但代码非常慢且内存非常大(我正在为一台 32GB RAM 的计算机加满)。

我目前的做法如下:

1. 将每个轮廓的所有内部点转储到一个巨大的列表中，并制作一个索引列表以配合它。

2. 像这样对 x 和 y 进行二进制比较:

   x_intersections=np.array(np.equal(np.matrix(z1[:,0]).T,z2[:,0]))
   y_intersections=np.array(np.equal(np.matrix(z1[:,1]).T,z2[:,1]))
   intersections=x_intersections*y_intersections
   

3. 重新索引原始列表以确定哪些点在 Z 步中匹配。

4. 确定音量。

我主要对第 2 步感到好奇，这是一种更快的方法吗？我试过使用稀疏数组或使用 np.in1d() 一次运行每个轮廓，但似乎都没有运行得更快。我之前尝试过内置点比较工具的 OpenCVs，但它似乎不是很快。

此外，有没有一种方法可以不必将 40000x40000 矩阵拉入 RAM(因为它需要大量 RAM)，是否有一种合理且快速的方法来对这些列表进行分段？有没有一种巧妙的方法可以使用 numpy 对数组的一部分而不是对整个数组进行一次操作？有没有一种有效的方法可以暂时从 RAM 转储到磁盘上？这将使我能够同时在更多计算机上运行它，从而大大减少运行时间。

这是一个可以从 numba 的 AutoJIT 中获益的问题吗？还是烈焰？还是派皮？是否有我不知道的类似工具可以在这里使用？

更广泛地说，我是不是在做傻事？我的方法是不是解决这个问题的错误方法？

有时我有 20 个 z 步长、3 个 channel 和 100 多张图像，因此即使每次比较需要 10 秒的代码最终也会花费每张图像一个小时(大约我现在拥有的位置)。我可以将它分布在一些服务器上以加快速度，但我真的很想尽可能降低它的速度。

这里是一些模拟大概情况的python代码:

z1=[]
i=0
while i<20000:
    temp=np.array([[[1,1]],[[1,2]],[[2,1]],[[2,2]]])+np.round(np.random.rand(1,1,2)*1024)
    z1.append(temp.astype(int))
    i+=1
z2=z1[1:10000]
i=0
while i<10000:
    temp=np.array([[[1,1]],[[1,2]],[[2,1]],[[2,2]]])+np.round(np.random.rand(1,1,2)*1024)
    z2.append(temp.astype(int))
    i+=1
random.shuffle(z2)

(我的等高线不是全长 4，有些长一些，有些短一些，但这应该足够接近演示了)

然后我通过近似代码将它们转储为数组:

output=(0,0)
index_list=(0,0)
for itemsN,items in enumerate(z1):
    output=np.vstack([output,items.squeeze()])
    index_list=np.vstack([index_list,np.ones((len(items),1))*itemsN])
output=np.delete(output,0,0)
index_list=np.delete(index_list,0)

然后我使用上面在第 2 步中列出的代码将列表组合在一起(这是缓慢的部分并且是一个巨大的内存消耗，如果你运行它可能会导致内存错误)并使用索引列表找出属于一起的轮廓对。

Answer 1

以下是一些建议(基于我对您问题的理解。如果这不是您想要的，请告诉我)。

1. 要比较两个轮廓，您可以使用 cv2.matchShapes() OpenCV 中的函数。
2. 或者您可以计算所有轮廓的一些特征，如面积、周长、质心等。然后先比较它们。仅当它们匹配时，才比较整个轮廓。具有相同质心和面积的两个轮廓很可能是相同的轮廓，因此您可以将这些轮廓作为一个整体进行比较，其他您可以忽略，这会给您一些速度。