从python中的图像创建大型邻接矩阵答案

【问题标题】：Creating large adjacency matrix from image in python从python中的图像创建大型邻接矩阵
【发布时间】：2014-12-21 04:24:10
【问题描述】：

我想在 python 中从图像（这么多顶点......按 > 10^5 个顶点的顺序）创建一个大的加权邻接矩阵。相邻像素之间的权重是颜色渐变（我负责这个）。通过迭代像素来完成它非常慢......它需要超过 4 分钟。 :-( 有没有图书馆可以在合理的时间内很好地做到这一点？

以下是我运行速度非常慢的代码：

def indToCoord(ind, w, h):
    x = ind % w
    y = (ind - x)/h
    return (x,y)

def isAdj(p1, p2, im):
    adj = []
    w, h = im.size
    x1, y1 = p1
    x2, y2 = p2
    if (x1, y1) == (x2, y2):
        return 0
    elif abs(x1 - x2) > 1:
        return 0
    elif abs(y1 - y2) > 1:
        return 0
    elif abs(x1 - x2) + abs(y1 - y2) >= 2:
        return 0

    return util.colorGradient(im, p1, p2)

def adjForPixel(pixels, p1, im):
    return [isAdj(p1,p2,im) for p2 in pixels]

# The following is the function I use to create an Adjacency Matrix from an image
def getAdjMatrix(im):
    width, height = im.size 
    pixels = [(x,y) for x in xrange(width) for y in xrange(height)]

    pixelAdjMatr = [adjForPixel(pixels, p, im) for p in pixels]
    return pixelAdjMatr

adj_matrix = getAdjMatrix(im)

谢谢！

【问题讨论】：

请发布您当前的代码（迭代）以及您的输出示例
谢谢，我已经添加了。
一个像素可以有 2、3 或 4 个相邻像素，并且每个像素对于它的每个邻居都有一个颜色渐变值？ p1,p2 的颜色渐变值是否与 p2,p1 不同？
没错，它们可以有 2、3 或 4 个相邻像素。 p1, p2 的颜色梯度值与 p2, p1 没有什么不同，尽管计算颜色梯度的计算量并不大。
你的实现非常低效。当您执行“[isAdj(p1,p2,im) for p2 in pixels]”时，您将遍历图像中的每个像素并检查它是否与 p1 相邻。但是你不需要这样做——最多有 4 个像素与 p1 相邻，你可以很容易地直接创建它们的列表。我猜如果您这样做，您的例程将在合理的时间内运行，而无需使用外部库。

标签： python image graph

【解决方案1】：

Python 模块/库 NetworkX 具有邻接矩阵实现。它返回一个 scipy 矩阵

https://networkx.github.io/documentation/latest/reference/generated/networkx.linalg.graphmatrix.adjacency_matrix.html

import networkx as nx
import scipy as sp
g = nx.Graph([(1,1)])
a = nx.adjacency_matrix(g)
print a, type(a)

(0, 0)  1 <class 'scipy.sparse.csr.csr_matrix'>

【讨论】：

很高兴听到。祝你好运！

【解决方案2】：

img_to_graph 可以解决问题。这创建了一个所谓的“连接矩阵”。邻接矩阵是一个如此普遍且重要的术语，以至于sklearn 离开这里并不可怕。

但是这个函数可以解决问题。我发现上面引用的networkx 的函数只对图表有用。为了将图像从numpy 数组转换为networkx 图形，您几乎只能被解释为循环写入。这是因为networkx 库确实提供了优化的numpy->graph 函数，但该函数假定numpy 数组已经是一个邻接矩阵。

这是一个编译后的 -O3 --simd --omp 唯一循环场景，适用于任何合理大小的图像，甚至可能受益于一些缓存优化策略（排除 python3 的 numba Just-In-Time 编译器）。

这使得networkx 回答了另一个问题。我会继续在那里使用sklearn 函数：

sklearn.feature_extraction.image.img_to_graph(your_img)  
# returns scipy.sparse.coo.coo_matrix

【讨论】：