从千个图像中提取许多兴趣区域ROI）

Question

我有大量的显微镜图像，每张图像都有数百个点（ROI）。这些斑点固定在太空中。我想从每个图像中提取每个点并保存到工作区中，以便我可以进一步分析它们。

我自己编写了一个代码，它运行得很好，但速度太慢了。大约需要250秒才能完全读出每张图像中的所有斑点。

我的代码核心如下：

for s=1:NumberImages   
  im1=imread(fn(s,1).name);    
  im=im1-medfilt2(im1,[15,15]);    
  for i=1:length(p_g_x)    
    GreenROI(i,s)=double(sum(sum(im(round(p_g_y(i))+(-2:2), round(p_g_x(i))+(-2:2)))));
    RedROI(i,s)=double(sum(sum(im(round(p_r_y(i))+(-2:2), round(p_r_x(i))+(-2:2)))));        
  end
end

从代码中可以看出，我正在提取5x5区域。 p_g_x的长度在500-700之间。

感谢您的投入。我使用个人资料查看器来确定哪个功能正好花费更多时间。这是中值滤波器，需要花费很多时间（约90％）。

任何有关加快速度的建议都将不胜感激。

感谢

马希普尔

Answer 1

使用Matlab的分析工具！

profile on % Starts the profiler
% Run some code now.
profile viewer % Shows you how often each function was called, and
               % where most time was spent. Try to start with the slowest part.
profile off  % Resets the Profiler, so you can measure again.

预分配

预先输出输出，因为你知道它的大小，这样它的速度要快得多。 （Matlab已经告诉过你了！）

GreenROI = zeros(length(p_g_x), NumberImages); % And the same for RedROI.

使用卷积

阅读Matlab的conv2代码。

for s=1:NumberImages   
  im=imread(fn(s,1).name);    
  im=im-medfilt2(im,[15,15]);    
  % Pre-compute the sums first. This will only be faster for large p_g_x
  roi_image = conv2(im, ones(5,5));
  for i=1:length(p_g_x)    
    GreenROI(i,s)=roi_image(round(p_g_y(i)), round(p_g_x(i))); % You might have to offset the indices by 2, because of the convolution. Check that results are the same.
    RedROI(i,s)=roi_image(round(p_r_y(i)), round(p_r_x(i)));        
  end
end

Matlab-ize代码

现在，您已经使用卷积来获取超过5x5窗口的图像（或者您可以使用@ Shai＆＃39; s accumarray，同样的事情），您可以加速不再遍历p_g_x中的每个元素，而是直接将其用作向量。

我把它作为读者的练习。 （使用p_g_x将p_g_y和sub2ind转换为索引，作为提示）。

更新

我的答案，包括我的答案，表明过早优化是一件坏事。在不知情的情况下，我认为你的循环会占用大部分时间，但是当你测量它时（谢谢！），事实证明这不是问题。瓶颈是medfilt2中值过滤器，占90％的时间。所以你应该先解决这个问题。 （请注意，在我的计算机上，您的原始代码足够快，但我的口味仍然是中位数过滤器占用的大部分时间。）

查看中值过滤器操作的作用可能有助于我们弄清楚如何使其更快。这是一张图片。在左侧，您可以看到原始图像。在中间过滤器中间，在右侧有结果。

对我而言，结果与边缘检测结果非常相似。 （数学上这并不奇怪。）

我建议你开始尝试各种边缘检测。看看Canny和Sobel。或者只使用conv2(image, kernel_x) kernel_x = [1, 2, 1; 0, 0, 0; -1, -2, -1]和kernel_y相同但转置edge(im, option)。您可以在此处找到各种边缘检测选项：{'sobel', 'canny', 'roberts', 'prewitt'}。我尝试了imgradient的所有选项。除了Canny之外，它们与中值滤波方法大致相同。 Canny慢了4倍，其余的（包括原版）需要7.x秒。所有这一切都没有GPU。 gpuArray是9秒。

因此，我会说你不能更快。如果你有一个GPU，它可以与Matlab一起使用，你可以加速它。将图片加载为{{1}} s。 medfilt2 documentation上有一个例子。你仍然可以做一些小的加速，但它们只能增加10％的速度，所以几乎不值得。

Answer 2

你应该做的一些事情

1. Pre-allocate按照Didac Perez的建议。

2. 使用profiler查看代码中完全需要多长时间，是中值过滤器吗？它是索引吗？

3. 假设所有图片大小相同，您可以使用accumarray和固定掩码subs快速求和值：

   subs_g = zeros( h, w ); %// allocate mask for green
   subs_r = zeros( h, w );  
   subs_g( sub2ind( [h w], round(p_g_y), round(p_g_x) ) = 1:numel(p_g_x); %//index each region
   subs_g = conv2( subs_g, ones(5), 'same' );
   subs_r( sub2ind( [h w], round(p_r_y), round(p_r_x) ) = 1:numel(p_r_x); %//index each region
   subs_r = conv2( subs_r, ones(5), 'same' );
   sel_g = subs_g > 0;
   sel_r = subs_r > 0;
   subs_g = subs_g(sel_g);
   subs_r = subs_r(sel_r);
   

   修复这些蒙版后，您可以处理所有图像

   %// pre-allocation goes here - I'll leave it to you
   for s=1:NumberImages   
       im1=imread(fn(s,1).name);    
       im=double( im1-medfilt2(im1,[15,15]) ); 
       accumarray( subs_g, im( sel_g ) ); % summing all the green ROIs 
       accumarray( subs_r, im( sel_r ) ); % summing all the green ROIs 
   end
   

Answer 3

首先，预先分配您的GreenROI和RedROI结构，因为您之前知道最终大小。现在，您将在每次迭代中反复调整它们的大小。

其次，我建议你使用＆＃34; tic＆＃34;和＆＃34; toc＆＃34;为了研究问题的位置，它将为您提供有用的时间。

Answer 4

对每个图像进行操作的矢量化代码 -

%// Pre-compute green and red indices to be used across all the images
r1 = round(bsxfun(@plus,permute(p_g_y,[3 2 1]),[-2:2]'));
c1 = round(bsxfun(@plus,permute(p_g_x,[3 2 1]),[-2:2]));
green_ind = reshape(bsxfun(@plus,(c1-1)*size(im,1),r1),[],numel(p_g_x));

r2 = round(bsxfun(@plus,permute(p_r_y,[3 2 1]),[-2:2]'));
c2 = round(bsxfun(@plus,permute(p_r_x,[3 2 1]),[-2:2]));
red_ind = reshape(bsxfun(@plus,(c2-1)*size(im,1),r2),[],numel(p_g_x));

for s=1:NumberImages
    im1=imread(fn(s,1).name);
    im=double(im1-medfilt2(im1,[15,15]));

    GreenROI=sum(im(green_ind));
    RedROI =sum(im(red_ind));
end