从Python中的二进制蒙版检索轮廓蒙版的快速方法

Question

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

图片

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。

Answer 1

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。