python - NumPy 模板将 SQDIFF 与 `sliding window_view` 匹配

Question

SQDIFF 定义为 openCV definition 。 (我相信他们省略了 channel )

在初级 numpy Python 中应该是

A = np.arange(27, dtype=np.float32)
A = A.reshape(3,3,3) # The "image"
B = np.ones([2, 2, 3], dtype=np.float32) # window
rw, rh = A.shape[0] - B.shape[0] + 1, A.shape[1] - B.shape[1] + 1 # End result size
result = np.zeros([rw, rh])
for i in range(rw):
    for j in range(rh):
        w = A[i:i + B.shape[0], j:j + B.shape[1]]
        res =  B - w
        result[i, j] = np.sum(
            res ** 2
        )
cv_result = cv.matchTemplate(A, B, cv.TM_SQDIFF) # this result is the same as the simple for loops
assert np.allclose(cv_result, result)

这是一个相对较慢的解决方案。我已阅读有关 sliding_window_view 的内容，但无法正确理解。

# This will fail with these large arrays but is ok for smaller ones
A = np.random.rand(1028, 1232, 3).astype(np.float32)
B = np.random.rand(248, 249, 3).astype(np.float32)
locations = np.lib.stride_tricks.sliding_window_view(A, B.shape)
sqdiff = np.sum((B - locations) ** 2, axis=(-1,-2, -3, -4)) # This will fail with normal sized images

即使结果很容易适合内存，

也会因MemoryError而失败。如何使用这种更快的方法产生与 cv2.matchTemplate 函数类似的结果？

Answer 1

作为最后的手段，您可以在图 block 中执行计算，而不是“一次全部”计算。

np.lib.stride_tricks.sliding_window_view返回数据的 View ，因此不会消耗大量 RAM。

表达式B - locations无法使用 View ，并且需要 RAM 来存储具有浮点元素形状 (781, 984, 1, 248, 249, 3) 的数组。

用于存储B - locations的总RAM是 781*984*1*248*249*3*4 = 569,479,908,096 字节。

---

为了避免存储B - locations的需要立即在 RAM 中，我们可以计算 sqdiff在图 block 中，当“图 block ”计算需要更少的 RAM 时。

一个简单的图 block 划分是将每一行用作图 block - 在 sqdiff 的行上循环。 ，并逐行计算输出。

示例:

sqdiff = np.zeros((locations.shape[0], locations.shape[1]), np.float32)  # Allocate an array for storing the result.

# Compute sqdiff row by row instead of computing all at once.
for i in range(sqdiff.shape[0]):
    sqdiff[i, :] = np.sum((B - locations[i, :, :, :, :, :]) ** 2, axis=(-1, -2, -3, -4))

---

可执行代码示例:

import numpy as np
import cv2

A = np.random.rand(1028, 1232, 3).astype(np.float32)
B = np.random.rand(248, 249, 3).astype(np.float32)
locations = np.lib.stride_tricks.sliding_window_view(A, B.shape)

cv_result = cv2.matchTemplate(A, B, cv2.TM_SQDIFF)  # this result is the same as the simple for loops

#sqdiff = np.sum((B - locations) ** 2, axis=(-1, -2, -3, -4))  # This will fail with normal sized images

sqdiff = np.zeros((locations.shape[0], locations.shape[1]), np.float32)  # Allocate an array for storing the result.

# Compute sqdiff row by row instead of computing all at once.
for i in range(sqdiff.shape[0]):
    sqdiff[i, :] = np.sum((B - locations[i, :, :, :, :, :]) ** 2, axis=(-1, -2, -3, -4))

assert np.allclose(cv_result, sqdiff)

---

我知道这个解决方案有点令人失望...但这是我能找到的唯一通用解决方案。