圖像區域密度的矢量化計算

Question

我正在嘗試在 python 中實現圖像點畫算法，並希望矢量化計算標記圖像區域（Voronoi 細胞）的密度（平均亮度）。 目前我可以使用循環來做到這一點，但這對於大量區域來說計算量太大。 如何矢量化此操作？

import numpy as np
from skimage import io
from scipy.interpolate import griddata

number_of_points = 1000
img = io.imread('https://www.kindpng.com/picc/m/111-1114964_house-icon-png-old-house-easy-drawing-transparent.png', as_gray=True)
height, width = img.shape

# generate random points
rng = np.random.default_rng()
points = rng.random((number_of_points,2)) * [width, height]

# calculate labelled regions
grid_x, grid_y = np.mgrid[0:width, 0:height]
labels = griddata(points, np.arange(number_of_points), (grid_x, grid_y), method='nearest')

# calculate density per region (mean of grayscale values of pixels in each region)
point_idxs = np.arange(len(points))
density = [np.mean(img[labels.T==i]) for i in point_idxs] # <-- this is the bottleneck

Answer 1

問題不在於循環，而在於該算法效率不高。 使用矢量化會使用大量的 memory （這很慢）並且幾乎不會加速循環。 實際上， img已完全讀取len(point_idxs) 。 可以使用np.add.at和np.bincount讀取一次：

sumByLabel = np.zeros(np.max(labels)+1)
np.add.at(sumByLabel, labels.T, img)
countByLabel = np.bincount(labels.reshape(-1))
density = sumByLabel / countByLabel

這在我的機器上需要 32 毫秒，而初始代碼需要 539 毫秒（快 17 倍）。