Performance 基于图像ROI的高效直方图计算

我正在寻找一些已经存在的功能/工具来计算图像中多个ROI（感兴趣区域）的标准视觉单词直方图。让我解释一下：

（1） 假设您有一个图像，其中每个“像素”携带一个整数：1。。。K 每个这样的“像素”具有以下信息

x、 y坐标

从1到K的值

（2） 假设从所有格式的图像中采样了大量固定大小的区域：

（x1，y1）-顶部，左坐标

（x2，y2）-底部，右坐标

（3） 对于每个区域：计算一个K-bin直方图，该直方图统计落在该区域的“像素”值的出现次数

我在MATLAB中实现了以下函数，但由于代码中有多个for循环，因此速度非常慢

function [H words] = sph_roi( wind, tree, desc, feat, bins )
% FUNCTION computes an SPH histogram for a collection of windows. Spatial
% information is captured by splitting the window in bins horizontally.
%
%   [H words] = sph_roi( obj_wind, tree, desc, feat, [ bins ] );
%
% INPUT :
%   wind        - sampled ROI windows
%                   [left_x, top_y, right_x, bottom_y] - see sample_roi()
%   tree        - vocabulary tree
%   desc        - descriptors matrix
%   feat        - features matrix
%   bins        - number of horizontal cells (1=BOVW, 2... SPH)
%                   by default set to the multiples of window height.
%
% OUTPUT :
%   H           - SPH histograms
%   words       - word IDs found for every descriptor
%

verbose = 0;

% input argument number check
if nargin < 4
error( 'At least 4 input arguments required.' );
end

% default number of horizontal cells
if nargin < 5
bins = -1;  % will be set in multiples of each window height corresp.
end

% number of windows
num_wind = size( wind, 1 );

% number of visual words
num_words = tree.K;

% pre-compute all visual words
words = vl_hikmeanspush( tree, desc );

% initialize SPH histograms matrix
H = zeros( num_words * bins, num_wind );

% compute BOVW for each ROI
for i = 1 : num_wind

if verbose == 1
    fprintf( 'sph_roi(): processing %d / %d\n', i, num_wind );
end

% pick a window
wind_i = wind( i, : );

% get the dimensions of the window
[w h] = wind_size( wind_i );

% if was not set - the number of horizontal bins
if bins == -1
    bins = round( w / h );
end

% return a list of subcell windows
scw = create_sph_wind( wind_i, bins );

for j = 1 : bins

    % pick a cell
    wind_tmp = scw( j, : );

    % get the descriptor ids falling in that cell
    ids = roi_feat_ids( wind_tmp, feat );

    % compute the BOVW histogram for the current cell
    h = vl_hikmeanshist( tree, words(ids) );

    % assemble the SPH histogram in the output matrix directly
    H( 1+(j-1)*num_words : j*num_words, i ) = h( 2:end );

end

end

function ids = roi_feat_ids( w, f )
% FUNCTION returns those feature ids that fall in the window.
%
%   ids = roi_feat_ids( w, f );
%
% INPUT :
%   w   - window
%   f   - all feature points
%
% OUTPUT :
%   ids - feature ids
%

% input argument number check
if nargin ~= 2
error( 'Two input arguments required.' );
end

left_x = 1;
top_y = 2;
right_x = 3;
bottom_y = 4;

% extract and round the interest point coordinates
x = round( f(1,:) );
y = round( f(2,:) );

% bound successively the interest points
s1 = ( x > w(left_x) ); % larger than left_x
s2 = ( x < w(right_x) ); % smaller than right_x
s3 = ( y > w(top_y) ); % larger than top_y
s4 = ( y < w(bottom_y) ); % smaller than bottom_y

% intersection of these 4 sets are the ROI enclosed interest points
ids = s1 & s2 & s3 & s4;

% convert ids to real
ids = find( ids );

function[H words]=sph\u roi（风、树、描述、专长、箱子）
%函数为一组窗口计算SPH直方图。空间的
%通过将窗口水平拆分为多个存储箱来捕获信息。
%
%[H词]=sph_roi（风、树、描述、壮举，[bin]）；
%
%输入：
%风采样ROI窗口
%[左x、上y、右x、下y]-参见示例roi（）
%树-词汇树
%描述矩阵
%专长-特征矩阵
%箱子-水平单元格的数量（1=BOVW，2…SPH）
%默认设置为窗高的倍数。
%
%输出：
%H-SPH直方图
%word-为每个描述符找到的单词ID
%
详细=0；
%输入参数编号检查
如果nargin<4
错误（'至少需要4个输入参数'）；
结束
%默认水平单元格数
如果nargin<5
箱子=-1；%将以每个窗口高度对应的倍数设置。
结束
%窗口数
风的数量=大小（风，1）；
%视觉单词数
num_words=tree.K；
%预先计算所有可视单词
words=vl_hikmeanspush（树，描述）；
%初始化SPH直方图矩阵
H=零（字数*箱数，风数）；
%计算每个ROI的BOVW
对于i=1:num\u风
如果verbose==1
fprintf（'sph\u roi（）：处理%d/%d\n'，i，num\u wind）；
结束
%挑窗
风i=风（i，：）；
%获取窗口的尺寸
[w h]=风大小（风i）；
%如果未设置-水平料仓的数量
如果箱子==-1
料仓=圆形（w/h）；
结束
%返回子单元窗口的列表
scw=创建风（风、垃圾箱）；
对于j=1：料仓
%选择一个单元
风tmp=scw（j，：）；
%获取该单元格中的描述符ID
ids=投资回报（roi）和专长（wind和tmp，专长）；
%计算当前单元格的BOVW直方图
h=vl_hikmeanshist（树，单词（id））；
%直接在输出矩阵中组装SPH直方图
H（1+（j-1）*num_字：j*num_字，i）=H（2：结束）；
结束
结束
函数ID=roi\u专长\u ID（w，f）
%函数返回落在窗口中的要素ID。
%
%ids=投资回报率（w，f）；
%
%输入：
%w窗
%f-所有特征点
%
%输出：
%ids-功能ID
%
%输入参数编号检查
如果nargin~=2
错误（'需要两个输入参数'）；
结束
左_x=1；
top_y=2；
右_x=3；
底部y=4；
%提取兴趣点坐标并将其舍入
x=圆形（f（1，：）；
y=圆形（f（2，：）；
%连续绑定兴趣点
s1=（x>w（左）；%大于左_x
s2=（xw（顶部y））；%大于顶部y
s4=（y

---

我看过OpenCV甚至Intel的MKL中提出的例程，但没有找到合适的。使用Matlab的profiler，我发现在roi_feat_ids（）中花费了相当多的时间，函数sph_roi（）中每个区域的外循环也很慢。在尝试实现MEX文件之前，我想看看是否可以回收一些现有代码

我要做几件事来加快速度

最后一行应该被删除（

ids=find（ids）；

。逻辑掩码比使用find快得多，并且它们几乎在find语句可以工作的所有情况下都能工作。我怀疑这将大大加快您的功能，同时不会损失功能性/可读性

如果将一些s1、s2、s3和s4语句组合在一起，速度可能会更快

尽量不要在for循环中创建大数据集，除非它们是必需的。具体来说，我将删除两行代码来执行以下操作：

ids=roi\u feat\u ids（scw（j，：），feat）；

---

后两种方法可能会为您节省一些时间，但第一种方法应该可以节省大量的时间。祝您好运！

为了加快速度，我会做一些事情

最后一行应该被删除（

ids=find（ids）；

。逻辑掩码比使用find快得多，并且它们几乎在find语句可以工作的所有情况下都能工作。我怀疑这将大大加快您的功能，同时不会损失功能性/可读性

如果将一些s1、s2、s3和s4语句组合在一起，速度可能会更快

尽量不要在for循环中创建大数据集，除非它们是必需的。具体来说，我将删除两行代码来执行以下操作：

ids=roi\u feat\u ids（scw（j，：），feat）；

---

后两种方法可能会为您节省一些时间，但第一种方法应该可以节省大量时间。祝您好运！

感谢您提供建议。我已经实现了（尚未完全调试）这个函数的MEX版本。我将看看它将如何与这个加速代码进行比较。干杯！在我的博客上有一个简单而高效的Matlab MEX实现：谢谢你提供的建议。我已经实现了（尚未完全调试）这个函数的MEX版本。我将看看它将如何与这个加速代码进行比较。干杯！一个简单而有效的