從數千個圖像中提取許多感興趣區域ROI）

Question

我有一大組顯微鏡圖像，每個圖像有數百個點（ROI）。這些斑點固定在空間中。我想從每個圖像中提取每個點並保存到工作區，以便我可以進一步分析它們。

我自己寫了一個代碼，它的工作完美，但它太慢了。大約需要250秒才能從每幅圖像中完整地讀出所有斑點。

我的代碼的核心看起來如下：

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 

你可以從我解壓5x5的地區代碼中看到。 p_g_x的長度在500-700之間。

感謝您的輸入。我使用配置文件查看器來確定哪個功能需要更多時間。這是需要很多時間（〜90％）的中值濾波器。

任何建議加快它將不勝感激。

感謝

馬希普爾

Answer 1

首先，預先分配的GreenROI和RedROI結構，因爲您以前知道最終的尺寸。現在，您在每次迭代中一次又一次地調整大小。其次，我建議你使用「tic」和「toc」來調查問題出在哪裏，它會給你有用的時間。

Answer 2

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. 

預分配

預分配和輸出，因爲你知道的大小這樣它的速度要快得多。 （Matlab的告訴你，這已經！）

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

使用卷積

閱讀有關Matlab的conv2代碼。

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的IZE代碼

現在，您已經使用卷積拿到過5×5的窗口總和的圖像（或者你可以使用過夏嘉曦@的accumarray，同樣的事情），你可以通過不重複遍歷中的每個元素，可以進一步加快速度，但可以立即使用它作爲矢量。

我把這留給讀者作爲練習。 （作爲提示，將p_g_x和p_g_y轉換爲使用sub2ind的索引）。

更新

我們的答案，包括礦山，表明過早的優化是一個多麼糟糕的事情。不知道，我認爲你的循環會佔用大部分時間，但是當你測量它時（謝謝！）事實證明，這不是問題。瓶頸是medfilt2中值過濾器，這需要90％的時間。所以你應該首先解決這個問題。（請注意，在我的電腦上，您的原始代碼足夠我的口味，但它仍然是大部分時間佔用的中值濾波器。）

看看中值濾波器操作的作用可能會幫助我們弄清楚如何使其更快。這是一張圖片。在左邊看到原始圖像。中間是中值濾波器，右邊是結果。

對我來說，結果看起來非常類似於邊緣檢測結果。 （在數學上，這並不奇怪。）

我建議你開始試驗各種邊緣檢測。看看Canny和Sobel。或者只是使用conv2(image, kernel_x)，其中kernel_x = [1, 2, 1; 0, 0, 0; -1, -2, -1]與kernel_y相同，但轉置。您可以在這裏找到各種邊緣檢測選項：edge(im, option)。我嘗試了{'sobel', 'canny', 'roberts', 'prewitt'}的所有選項。除Canny之外，它們都與中位數過濾方法大致相同。 Canny的速度慢了4倍，其餘的（包括原來的）都是7.x秒。所有這些都沒有GPU。 imgradient是9秒。

因此，從這我會說，你不能得到任何更快。如果你有一個GPU，它可以和Matlab協同工作，你可以加快速度。加載你的圖像爲gpuArray s。在medfilt2 documentation上有一個例子。你仍然可以做小幅加速，但它們只能達到10％的速度提升，所以幾乎不可能。

Answer 3

有幾件事情你應該做的

1. Pre-allocate通過Didac Perez的建議。

2. 使用profiler，看看究竟需要長在你的代碼，它是中值濾波器？是索引嗎？

3. 假設所有圖像大小相同的，你可以使用accumarray和固定不變的面具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); 
   

   一旦這些面具是固定的，你可以處理所有圖像

   %// 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 
   

每個圖像上操作

Answer 4

量化代碼 -

%// 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