Python OpenCV/numpy：使用numpy快速比较大量轮廓对象

我从1024x1024个显微镜图像的z堆栈中识别了许多轮廓对象。每个z步包含大约10000-40000个轮廓。轮廓平均为4像素

我想做的是确定哪些轮廓存在于多个z平面上（当图像重叠时它们相互接触），以及它们的三维区域是什么。我可以做到这一点（大约），但代码速度非常慢，内存非常大（我正在为一台32GB的RAM计算机加满内存）

我目前的做法如下：

将每个轮廓的所有内部点转储到一个庞大的列表中，并制作一个索引列表

对x和y进行二进制比较，如：

x_intersections=np.array(np.equal(np.matrix(z1[:,0]).T,z2[:,0]))
y_intersections=np.array(np.equal(np.matrix(z1[:,1]).T,z2[:,1]))
intersections=x_intersections*y_intersections

重新索引到原始列表，以确定哪些点在Z步之间匹配

确定体积

我对第二步很好奇，这是一种更快的方法吗？我尝试过使用稀疏数组或使用

np.inad（）

一次运行一个轮廓，但两种方法都没有运行得更快。我以前尝试过OpenCVs内置的点比较工具，但速度似乎不是很快

另外，是否有一种方法不必将40000x40000矩阵拉入RAM（因为它需要大量RAM）是否有一种合理且快速的方法来细分这些列表？有没有一种聪明的方法可以使用numpy同时对阵列的一部分而不是整个阵列进行操作？有没有一种有效的方法可以暂时从RAM转储到磁盘上？这将允许我同时在更多的计算机上运行它，从而大大减少运行时间

这是一个可以从numba的AutoJIT中获益的问题吗？还是火焰？还是派比？有没有一个类似的工具，我不知道它会在这里工作

更广泛地说，我是在做傻事吗？我的方法是不是对这个问题有错误的理解

我有时有20个z步、3个通道和100多个图像，所以即使是每次比较需要10秒的代码，最终每个图像也需要一个小时（大约我现在的位置）。我可以将它分散到一些服务器上以加快速度，但我真的希望尽可能地降低速度

下面是一些python代码，用于模拟近似情况：

z1=[]
i=0
while i<20000:
    temp=np.array([[[1,1]],[[1,2]],[[2,1]],[[2,2]]])+np.round(np.random.rand(1,1,2)*1024)
    z1.append(temp.astype(int))
    i+=1
z2=z1[1:10000]
i=0
while i<10000:
    temp=np.array([[[1,1]],[[1,2]],[[2,1]],[[2,2]]])+np.round(np.random.rand(1,1,2)*1024)
    z2.append(temp.astype(int))
    i+=1
random.shuffle(z2)

---

然后，我使用上面步骤2中列出的代码将这些列表组合在一起（这是一个速度慢且占用大量内存的部分，如果运行它，可能会导致内存错误），并使用索引列表找出属于一起的轮廓对。

下面是一些建议（基于我对你问题的理解。如果这不是你想要的，请告诉我）

要比较两个轮廓，可以使用OpenCV中的函数

或者，您可以计算所有轮廓的某些特征，如面积、周长、质心等。然后首先比较它们。只有当它们匹配时，才比较整个轮廓。两个具有相同质心和面积的轮廓很可能是相同的轮廓，因此您可以将这些轮廓作为一个整体进行比较，其他的则可以忽略，这将提高您的速度

---

这是有效的，在逐像素比较之前，我比较了质心，将列表预排序为更小的子集。谢谢！

output=(0,0)
index_list=(0,0)
for itemsN,items in enumerate(z1):
    output=np.vstack([output,items.squeeze()])
    index_list=np.vstack([index_list,np.ones((len(items),1))*itemsN])
output=np.delete(output,0,0)
index_list=np.delete(index_list,0)