加速 numpy 过滤

Question

我正在制作一个音乐识别程序，作为其中的一部分，我需要从 png（2200x1700 像素）中找到 numpy 数组的最大连接区域。我目前的解决方案如下。

labels, nlabels = ndimage.label(blobs)
cutoff = len(blobs)*len(blobs[0]) / nlabels
blobs_found = 0
x = []
t1 = time()
for n in range(1, nlabels+1):
    squares = np.where(labels==n)
    if len(squares[0]) < cutoff:
        blobs[squares] = 0
    else:
        blobs_found += 1
        blobs[squares] = blobs_found
        x.append(squares - np.amin(squares, axis=0, keepdims=True))
nlabels = blobs_found
print(time() - t1)

这可行，但运行需要大约 6.5 秒。有没有办法从这段代码中删除循环（或以其他方式加快循环速度）？

Answer 1

您可以获得每个标记区域的大小（以像素为单位）：

unique_labels = numpy.unique(labels)
label_sizes = scipy.ndimage.measurement.sum(numpy.ones_like(blobs), labels, unique_labels)

那么最大的将是：

unique_labels[label_size == numpy.max(label_size)]

Answer 2

最快的可能是使用 numpy.bincount 并从那里开始工作。类似于：

labels, nlabels = ndimage.label(blobs)
cutoff = len(blobs)*len(blobs[0]) / float(nlabels)

label_counts = np.bincount(labels)

# Re-label, taking the cutoff into account
cutoff_mask = (label_counts >= cutoff)
cutoff_mask[0] = False
label_mapping = np.zeros_like(label_counts)
label_mapping[cutoff_mask] = np.arange(cutoff_mask.sum()) + 1

# Create an image-array with the updated labels
blobs = label_mapping[labels].astype(blobs.dtype)

这可以进一步优化速度，但我的目标是提高可读性。

加速 numpy 过滤

Speed up numpy filtering

python

png

numpy

scipy