[英]Fast method to retrieve contour mask from a binary mask in Python
我想创建一个实时应用程序,其中涉及查找二进制掩码的边缘。 我需要一个快速的东西,如果可能的话,没有GPU,希望每个图像的运行时间低于0.0005秒,并且大小为(1000,1000)。 我将使用以下二进制图像示例,其大小为(1000,1000)。
(要复制的代码:)
import numpy as np
im=np.zeros((1000,1000),dtype=np.uint8)
im[400:600,400:600]=255
快速执行操作的第一种逻辑方法是使用OpenCV库:
import cv2
timeit.timeit(lambda:cv2.Laplacian(im,cv2.CV_8U),number=100)/100
0.0011617112159729003
如预期的那样导致: 拉普拉斯语
我发现这种方式非常耗时。 之后,我尝试了findContours:
def usingcontours(im):
points=np.transpose(cv2.findContours(im,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[1][0])
tmp=np.zeros_like(im)
tmp[tuple(points)]=255
return tmp
timeit.timeit(lambda:usingcontours(im),number=100)/100
0.0009052801132202148
得到与上述相同的结果。 这样比较好,但仍然不如我想要的好。 我继续使用numpy,最后使用梯度近似拉普拉斯算子,尽管我知道会更糟:
def usinggradient(im):
tmp=np.gradient(im)
return ((tmp[0]+tmp[1])>0).astype(np.uint8)
timeit.timeit(lambda:usinggradient(im),number=100)/100
0.018681130409240722
那么,是否有人对我如何加速算法有进一步的想法? 我强调我希望将此算法用于二进制图像,因此我想必须有一个更好的实现。
我使用cv2.findContours
选择了最快的速度来加快速度。 在其中,我们可以用简单的slicing
来代替那些昂贵的transpose
并转换为元组部分,就像这样-
idx = cv2.findContours(im,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[1][0]
out = np.zeros_like(im)
out[idx[:,0,0],idx[:,0,1]] = 255
运行时测试-
In [114]: # Inputs
...: im=np.zeros((1000,1000),dtype=np.uint8)
...: im[400:600,400:600]=255
...: idx = cv2.findContours(im,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[1][0]
...:
In [115]: def original_app(im, idx):
...: points=np.transpose(idx)
...: tmp=np.zeros_like(im)
...: tmp[tuple(points)]=255
...: return tmp
...:
...: def proposed_app(im, idx):
...: out = np.zeros_like(im)
...: out[idx[:,0,0],idx[:,0,1]] = 255
...: return out
...:
In [120]: %timeit original_app(im, idx)
10000 loops, best of 3: 108 µs per loop
In [121]: %timeit proposed_app(im, idx)
10000 loops, best of 3: 101 µs per loop
In [122]: %timeit cv2.findContours(im,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
1000 loops, best of 3: 1.55 ms per loop
因此,所提出的方法在此方面有一些改进,但是与轮廓查找本身相比,这可以忽略不计。
我查看了scikit-image's version
并进行了快速测试,似乎比OpenCV版本要慢得多。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.