Python中从二进制掩模中快速检索轮廓掩模的方法

Question

我想做一个实时的应用程序，包括找到一个二进制掩码的边缘。我需要一些快速，没有GPU，如果可能的话，运行速度希望低于0.0005秒每幅图像，与大小（10001000）。我将使用以下二进制图像的示例，大小为（10001000）。在

（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

快速完成任务的第一个逻辑方法是使用OpenCV库：

^{pr2}$

正如预期的结果： laplacian

我发现这样做很费时。在这之后，我试着寻找答案：

 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

结果和上面一样。 这是更好的，但仍然没有我想要的那么好。我继续使用numpy，最后用梯度近似拉普拉斯，尽管我知道这会更糟：

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，所以我想肯定有更好的实现。在

Answer 1

我用cv2.findContours选择了最快的一个来加快速度。在它中，我们可以替换那些昂贵的transpose，并用简单的^{}转换成元组部分，如-

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-

^{pr2}$

因此，所提出的方法有一些微小的改进，但与轮廓发现本身相比，这似乎微不足道。在

我查看了^{}并运行了一个快速测试，似乎比OpenCV版本慢得多。在