Как векторизовать цикл for numpy.where
Я новичок в numpy и в настоящее время не могу векторизовать цикл for в следующем коде:
# Build an image_array by label discrimination, using seg and seg_4col, expanding discrimated labels in the process to fillflood the image
# lab arg being one of the 4 labels of the 4 colored seg (seg_4col)
def img_4c_d(lab, img):
seg_islands = np.where(seg_4col == lab, seg, 0)
seg_exp = expand_labels(seg_islands, distance=max(img.shape[0], img.shape[1]))
unique_labels = unique(np.ravel(seg_exp))
color_dic = np.zeros((np.max(unique_labels) + 1, 3), dtype=np.uint8)
for label in unique_labels:
d = img[np.where(seg_islands == label)]
color_dic[label] = [np.argmax(np.bincount(d[...,0])),
np.argmax(np.bincount(d[...,1])),
np.argmax(np.bincount(d[...,2]))]
return color_dic[seg_exp]
unique_labels может содержать тысячи значений, и вы можете легко догадаться, насколько это неэффективно.
Я пробовал все, что мог, но безуспешно. Если кто-то может помочь, большое спасибо.
@rajkumar_data seg представляет собой двумерный массив положительных значений int (пользовательская сегментация), unique() принадлежит пандам pandas.unique, и просто скажу, что expand_labels взят из scikit-image skimage.segmentation.expand_labels
where полезен ровно настолько, насколько полезен его аргумент seg_islands == label. С помощью broadcasting можно протестировать seg_islands == unique_labels[..None's.], чтобы создать логический массив большей размерности.
@hpaulj Тогда я посмотрю broadcasting поглубже, спасибо за подсказку.
Ответы 1
Вы можете использовать scipy.ndimage.find_objects, чтобы получить меньшую ограничивающую рамку вокруг каждой метки. Функция find_objects делает это всего за один проход по изображению. Это значительно ускорит захват пикселей для этой метки, особенно если ваши объекты компактны:
from scipy.ndimage import find_objects # NEW
# Build an image_array by label discrimination, using seg and seg_4col, expanding discrimated labels in the process to fillflood the image
# lab arg being one of the 4 labels of the 4 colored seg (seg_4col)
def img_4c_d(lab, img):
seg_islands = np.where(seg_4col == lab, seg, 0)
seg_exp = expand_labels(seg_islands, distance=max(img.shape[0], img.shape[1]))
unique_labels = unique(np.ravel(seg_exp))
color_dic = np.zeros((np.max(unique_labels) + 1, 3), dtype=np.uint8)
bounding_boxes = find_objects(seg_islands) # NEW
for label in unique_labels:
boxed = img[bounding_boxes[label]] # NEW
d = boxed[boxed == label] # NEW; note np.where was redundant here
color_dic[label] = [np.argmax(np.bincount(d[...,0])),
np.argmax(np.bincount(d[...,1])),
np.argmax(np.bincount(d[...,2]))]
return color_dic[seg_exp]
Примечание: так же работает skimage.measure.regionprops, и вы можете использовать там аргумент extra_properties= для достижения той же цели.
После некоторой настройки (img это RGBA) я придумал это: d = img[bounding_boxes[label]][seg_islands[bounding_boxes[label]] == label] и это намного быстрее. Я уверен, что смогу ускорить это еще больше, но пока я доволен, большое спасибо за помощь!
Что такое
segи функцияunique()?