Быстрый способ нарезать изображение на перекрывающиеся патчи и слить патчи к изображению

Попытка обрезать изображение в оттенках серого размером 100x100 в патчи размером 39x39, которые перекрываются, с шагом 1. Это означает, что следующий патч, который запускает один пиксель справа/или ниже, отличается от предыдущего патча в один дополнительный столбец/или ряд.

Грубая схема кода: сначала вычислите индексы для каждого патча, чтобы иметь возможность создавать 2D-массив патчей с изображения и иметь возможность создавать изображение из патчей:

patches = imgFlat[ind]

"patches" - это 2D-массив с каждым столбцом, содержащим патч в векторной форме.

Эти исправления обрабатываются, каждый патч индивидуально, а затем снова объединяются вместе с изображением с предварительно вычисленными индексами.

img = np.sum(patchesWithColFlat[ind],axis=2)

По мере перекрытия патчей необходимо в конце умножить img на предварительно рассчитанные веса:

imgOut = weights*imgOut

Мой код очень медленный, и скорость - это очень важная проблема, так как это должно быть сделано на ок. 10 ^ 8 патчей.

Функции get_indices_for_un_patchify и weights_unpatchify могут быть предварительно вычислены один раз, поэтому скорость - это всего лишь проблема для исправления и повторной проверки.

Спасибо за любые подсказки.

Carlos

import numpy as np
import scipy
import collections
import random as rand


def get_indices_for_un_patchify(sImg,sP,step):
    ''' creates indices for fast patchifying and unpatchifying

    INPUTS:
      sx    image size
      sp    patch size
      step  offset between two patches (default == [1,1])

      OUTPUTS:
       patchInd             collection with indices
       patchInd.img2patch   patchifying indices
                            patch = img(patchInd.img2patch);
       patchInd.patch2img   unpatchifying indices

    NOTE: * for unpatchifying necessary to add a 0 column to the patch matrix
          * matrices are constructed row by row, as normally there are less rows than columns in the 
            patchMtx
     '''
    lImg = np.prod(sImg)
    indImg = np.reshape(range(lImg), sImg)

    # no. of patches which fit into the image
    sB = (sImg - sP + step) / step

    lb              = np.prod(sB)
    lp              = np.prod(sP)
    indImg2Patch    = np.zeros([lp, lb])
    indPatch        = np.reshape(range(lp*lb), [lp, lb])

    indPatch2Img = np.ones([sImg[0],sImg[1],lp])*(lp*lb+1)

    # default value should be last column
    iRow   = 0;
    for jCol in range(sP[1]):
        for jRow in range(sP[0]):
            tmp1 = np.array(range(0, sImg[0]-sP[0]+1, step[0]))
            tmp2 = np.array(range(0, sImg[1]-sP[1]+1, step[1]))
            sel1                    = jRow  + tmp1
            sel2                    = jCol  + tmp2
            tmpIndImg2Patch = indImg[sel1,:]          
            # do not know how to combine following 2 lines in python
            tmpIndImg2Patch = tmpIndImg2Patch[:,sel2]
            indImg2Patch[iRow, :]   = tmpIndImg2Patch.flatten()

            # next line not nice, but do not know how to implement it better
            indPatch2Img[min(sel1):max(sel1)+1, min(sel2):max(sel2)+1, iRow] = np.reshape(indPatch[iRow, :, np.newaxis], sB)
            iRow                    += 1

    pInd = collections.namedtuple
    pInd.patch2img = indPatch2Img
    pInd.img2patch = indImg2Patch

    return pInd

def weights_unpatchify(sImg,pInd):
    weights = 1./unpatchify(patchify(np.ones(sImg), pInd), pInd)
    return weights

# @profile
def patchify(img,pInd):
    imgFlat = img.flat
   # imgFlat = img.flatten()
    ind = pInd.img2patch.tolist()
    patches = imgFlat[ind]

    return patches

# @profile
def unpatchify(patches,pInd):
    # add a row of zeros to the patches matrix    
    h,w = patches.shape
    patchesWithCol = np.zeros([h+1,w])
    patchesWithCol[:-1,:] = patches
    patchesWithColFlat = patchesWithCol.flat
   #  patchesWithColFlat = patchesWithCol.flatten()
    ind = pInd.patch2img.tolist()
    img = np.sum(patchesWithColFlat[ind],axis=2)
    return img

Я называю эти функции, например, со случайным изображением

if __name__ =='__main__':
    img = np.random.randint(255,size=[100,100])
    sImg = img.shape
    sP = np.array([39,39])  # size of patch
    step = np.array([1,1])  # sliding window step size
    pInd = get_indices_for_un_patchify(sImg,sP,step)
    patches = patchify(img,pInd)
    imgOut = unpatchify(patches,pInd)
    weights = weights_unpatchify(sImg,pInd)
    imgOut = weights*imgOut

    print 'Difference of img and imgOut = %.7f' %sum(img.flatten() - imgOut.flatten())

Ответ 1

Эффективный способ "патфицировать" массив, т.е. Получить массив окон в исходном массиве, - это создать представление с пользовательскими шагами, количество байтов для перехода к следующему элементу. Может быть полезно подумать о массиве numpy как (прославленном) фрагменте памяти, а затем шагами - способ сопоставления индексов по адресу памяти.

Например, в

a = np.arange(10).reshape(2, 5)

a.itemsize равно 4 (т.е. 4 байта или 32 бита для каждого элемента), а a.strides - (20, 4) (5 элементов, 1 элемент), так что a[1,2] ссылается на элемент, который равен 1*20 + 2*4 байта (или 1*5 + 2 элемента) после первого:

0 1 2 3 4
5 6 7 x x

Фактически, элементы помещаются в память один за другим, 0 1 2 3 4 5 6 7 xx но шаги позволяют нам индексировать его как 2D-массив.

Основываясь на этой концепции, мы можем переписать patchify следующим образом

def patchify(img, patch_shape):
    img = np.ascontiguousarray(img)  # won't make a copy if not needed
    X, Y = img.shape
    x, y = patch_shape
    shape = ((X-x+1), (Y-y+1), x, y) # number of patches, patch_shape
    # The right strides can be thought by:
    # 1) Thinking of 'img' as a chunk of memory in C order
    # 2) Asking how many items through that chunk of memory are needed when indices
    #    i,j,k,l are incremented by one
    strides = img.itemsize*np.array([Y, 1, Y, 1])
    return np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides)

Эта функция возвращает представление img, поэтому память не выделяется и выполняется всего за несколько десятков микросекунд. Форма вывода не совсем то, что вы хотите, и на самом деле ее нужно скопировать, чтобы получить эту форму.

Нужно быть осторожным, имея дело с представлениями массива, которые намного больше, чем базовый массив, потому что операции могут инициировать копию, которая должна будет выделять много памяти. В вашем случае, поскольку массивы не слишком велики и не так много патчей, все должно быть хорошо.

Наконец, мы можем немного разбить массив патчей:

patches = patchify(img, (39,39))
contiguous_patches = np.ascontiguousarray(patches)
contiguous_patches.shape = (-1, 39**2)

Это не воспроизводит выходные данные вашей функции исправления, потому что вы разрабатываете исправления в порядке Fortran. Я рекомендую вам использовать это вместо этого

  1. Это приводит к более естественному индексированию позже (т.е. Первый патч - патчи [0] вместо патчей [:, 0] для вашего решения).

  2. Также проще в numpy использовать C-порядок везде, потому что вам нужно меньше набирать текст (вы избегаете таких вещей, как order = 'F', массивы создаются по заказу C по умолчанию...).

"Подсказки", если вы настаиваете: strides = img.itemsize * np.array([1, Y, Y, 1]), используйте .reshape(..., order='F') на contiguous_patches и, наконец, транспонируйте его .T