关于python：在大型3D Numpy阵列中查找局部最大值


Finding local maxima in large 3D Numpy arrays

我正在处理一些三维numpy数组中存在的大体积图像数据。我将用两个小的一维数组来解释我的任务。我有一张图片：

1
img = [5, 6, 70, 80, 3, 4, 80, 90]

以及该图像的一个分割和标记版本：

1
labels = [0, 0, 1, 1, 0, 0, 2, 2]

号

labels中的每个数字表示img中的一个对象。两个数组的维度相同。所以在这个例子中，img中有两个对象：

[5、6、70、80、3、4、80、90]

我现在要做的是找出每个物体的最大值的位置，在这个例子中是3和7。当前我循环遍历所有标签，创建一个仅包含与当前标签对应的对象的img版本，并查找最大值：

1
2
3
4
5
for label in range(1, num_labels + 1):
    imgcp = np.copy(img)
    imgcp[labels != label] = 0
    max_pos = np.argmax(imgcp)
    max_coords = np.unravel_index(pos, imgcp.shape)

这种方法的一个问题是，在每个步骤中复制img都会导致内存错误。我觉得内存管理应该阻止这一点，但是否有一种更高效、可能更快的方法来完成这项任务？

相关讨论

这里有一种使用argpartition的方法。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
# small 2d example
>>> data = np.array([[0,1,4,0,0,2,1,0],[0,4,1,3,0,0,0,0]])
>>> segments = np.array([[0,1,1,0,0,2,2,0],[0,1,1,1,0,0,0,0]])
>>>
# discard zeros
>>> nz = np.where(segments)
>>> segc = segments[nz]
>>> dac = data[nz]

# count object sizes
>>> cnts = np.bincount(segc)
>>> bnds = np.cumsum(cnts)
# use counts to partition into objects
>>> idx = segc.argpartition(bnds[1:-1])
>>> dai = dac[idx]
# find maxima per object
>>> mx = np.maximum.reduceat(dai, bnds[:-1])
# find their positions
>>> am, = np.where(dai==mx.repeat(cnts[1:]))
# translate positions back to coordinate space
>>> im = idx[am]
>>> am = *(n[im] for n in nz),
>>>
>>>
# result
# coordinates, note that there are more points than objects because
# the maximum 4 occurs twice in object 1
>>> am
(array([1, 0, 0]), array([1, 2, 5]))
# maxima
>>> data[am]
array([4, 4, 2])
# labels
>>> segments[am]
array([1, 1, 2])
相关讨论