Matlab边缘扩展矢量化

我在我的一个项目中有以下matlab代码<代码>图像\u工作此时是一个逻辑图像，是边缘检测的结果。下面的循环将每个白点扩展为一个宽度为

width

的十字（因此稍后调用

imfill（）

将找到更多闭合区域。四个if语句检查每个点是否在原始边界内

[edge_row, edge_col] = find(image_working);
for width = 1:width_edge_widen
    for i = 1:length(edge_row)
        if (edge_row(i) + width <= m)
            image_working(edge_row(i) + width, edge_col(i)) = 1;
        end
        if (edge_row(i) - width >= 1)
            image_working(edge_row(i) - width, edge_col(i)) = 1;
        end
        if (edge_col(i) + width <= n)
            image_working(edge_row(i), edge_col(i) + width) = 1;
        end
        if (edge_col(i) - width >= 1)
            image_working(edge_row(i), edge_col(i) - width) = 1;
        end
    end
end

[edge\u row，edge\u col]=查找（图像处理）；
对于宽度=1：宽度\边缘\加宽
对于i=1：长度（边\行）
如果（边缘_行（i）+宽度=1）
图像处理（边缘行（i）-宽度，边缘列（i））=1；
终止
如果（边+柱（i）+宽度=1）
图像处理（边缘行（i），边缘列（i）-宽度）=1；
终止
终止
终止

我怀疑有一种很好的方法可以对其进行矢量化并避免顶层循环，但我不知道该如何进行。简单的索引（如

image\u-working（edge\u-row，edge\u-col）

）不起作用，因为这将给出一个矩形区域而不是单个点。线性索引（调用

inds=find（image\u-working）

）是不可取的，因为很难同时进行垂直和水平移动，尽管在我没有想到的索引上可能有一个向量化转换。有什么建议吗？

首先，一个“向量化”这里的解决方案通常不是最快的，这取决于二进制图像的稀疏程度。其次，这里有一些比代码更快的解决方案：

首先创建一个随机的二值图像

im0=rand(2000)>0.999; % this means sparsity (density) ~ 1e-3

解决方案1-用于循环（用于宽度为1的交叉，但您可以根据需要更改）：

解决方案2-矢量化和一条线（对于宽度为1的十字）：

解决方案3-矢量化逻辑索引（用于宽度为1的十字）

您将看到，对于稀疏图像，for循环将比其他方法更快

Solution 1: Elapsed time is 0.028668 seconds.
Solution 2: Elapsed time is 0.041758 seconds.
Solution 3: Elapsed time is 0.120594 seconds.

对于稀疏程度较低的图像，例如（~1%），您可以使用矢量化解决方案（解决方案2），因为For循环将很快变得效率较低，但我会在决定之前检查数据的性能

---

奖金编辑，为了好玩，我将解决方案2中的交叉过滤器矢量化为任意宽度，如下所示：

f=@(width) circshift(vander([1 zeros(1,2*width)]),[width -width]);

因此

im=conv2（single（im0），f（1），'same'）>0；

相当于解决方案2中编写的内容，但现在您可以使用任何

f（width\u size）

。

首先，使用“矢量化”这里的解决方案通常不是最快的，这取决于二进制图像的稀疏程度。其次，这里有一些比代码更快的解决方案：

首先创建一个随机的二值图像

im0=rand(2000)>0.999; % this means sparsity (density) ~ 1e-3

解决方案1-用于循环（用于宽度为1的交叉，但您可以根据需要更改）：

解决方案2-矢量化和一条线（对于宽度为1的十字）：

解决方案3-矢量化逻辑索引（用于宽度为1的十字）

您将看到，对于稀疏图像，for循环将比其他方法更快

Solution 1: Elapsed time is 0.028668 seconds.
Solution 2: Elapsed time is 0.041758 seconds.
Solution 3: Elapsed time is 0.120594 seconds.

对于稀疏程度较低的图像，例如（~1%），您可以使用矢量化解决方案（解决方案2），因为For循环将很快变得效率较低，但我会在决定之前检查数据的性能

---

奖金编辑，为了好玩，我将解决方案2中的交叉过滤器矢量化为任意宽度，如下所示：

f=@(width) circshift(vander([1 zeros(1,2*width)]),[width -width]);

---

因此

im=conv2（single（im0），f（1），'same'）>0；

相当于解决方案2中编写的内容，但现在您可以使用任何

f（width\u size）

你想要。

你只想传播二进制像素？涂抹整个图像怎么样，比如：imout=image\u working；for width=1:width\u edge\u加宽；imout=imout\image\u working（：，[one（1，width），1:end width]）image\u working（：，[width+1:end，one（1，width）]）；image\u working（[one（1，width），1:end width]，：）| image|u working（[width+1:end，ones（1，width）]，：）；end。根据图像的稀疏性，这是很多操作，但它是矢量化的。您只想传播二进制像素？如何涂抹整个图像，例如：imout=image|working；对于width=1:width|edge|加宽；imout=imout|image|working（：，[ones（1，width），1:end-width]）图像处理（：，[width+1:end，one（1，width）]）图像处理（[one（1，width），1:end-width]，：）图像处理（[width+1:end，one（1，width）]，：）；结束。根据图像的稀疏性，这是一个很大的运算，但它是矢量化的。回答很好，比较好。谢谢！我的图像是5%到20%之间的白色（基本上是一幅有一堆圆的图像的边缘检测结果），所以你的矢量化解决方案看起来是最好的。测试所有结果（在528 x 710图像上）我的旧方法：3.766秒，解决方案1（更好的循环）：0.607秒，解决方案2（矢量化）：0.014秒。这是一个非常明显的区别！另一件事表明，该方法现在我可以使用任意形状来扩展图像——而不仅仅是一个十字。这可能对我所做的很有用。你完全正确，查看

fspecial

，查找matlab拥有的一些传统过滤器，或者搜索不太传统的binary mask shapes（例如，这个：）回答不错，对比也很好。谢谢！我的图像是5%到20%的白色（基本上是一幅有一堆圆的图像的边缘检测结果），所以你的矢量化解决方案看起来是最好的。测试它们的结果（在528 x 710图像上）我的旧方法：3.766秒，解决方案1（更好的循环）：0.607秒，解决方案2（矢量化）：0.014秒。这是一个非常明显的区别！另一件事表明，该方法现在我可以使用任意形状来扩展图像——而不仅仅是一个十字。这可能对我所做的很有用。你完全正确，查看

fspecial

，查找matlab拥有的一些传统过滤器，或者搜索不太传统的b伊纳里马