从 Python 中的二进制掩码中检索轮廓掩码的快速方法

Question

我想制作一个实时应用程序，其中涉及查找二进制掩码的边缘。我需要一些快速的东西，如果可能的话，没有 GPU，它希望每个图像的运行时间低于 0.0005 秒，大小为 (1000,1000)。我将使用以下二进制图像示例，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

Image

第一个快速做事的合乎逻辑的方法是使用 OpenCV 库：

import cv2
timeit.timeit(lambda:cv2.Laplacian(im,cv2.CV_8U),number=100)/100
0.0011617112159729003

正如预期的那样导致： laplacian

我发现这种方式非常耗时。在此之后我尝试了 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

它给出了与上面相同的结果。 这更好，但仍然没有我想要的那么好。作为最后的手段，我继续使用 numpy 来近似拉普拉斯算子，尽管我知道它会更糟：

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，有人对我如何加速算法有任何进一步的想法吗？我强调我希望这个算法用于二值图像，所以我想一定有更好的实现。

Answer 1

我用cv2.findContours 选择了最快的一个来加快速度。在其中，我们可以用简单的slicing 替换那些昂贵的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，所提出的方法有一些边际改进，但与轮廓查找本身相比，这似乎可以忽略不计。

我查看了scikit-image's version 并进行了快速测试，似乎它比 OpenCV 版本慢得多。