MATLAB идентифицирует соседние области в 3D-изображении

Я придумал решение, которое представляет собой комбинацию Divakar и teng, а также мои собственные модификации, и я обобщил их на случай 2D или 3D.

Чтобы сделать его более эффективным, я, вероятно, должен предварительно выделить r и c, но пока это среда выполнения:

• Для трехмерного изображения размеров 117x159x126 и 32000 отдельные области: 0.79s
• Для приведенного выше 2D примера: 0.004671s с этим раствором, 0.002136s с раствором Дивакара, 0.03995s с раствором тенга.

Однако я не пытался распространить победителя (Дивакара) на 3D-кейс!

noDims = length(size(Im));
validim = ones(size(Im))>0;
labels = unique(Im);

if noDims == 3
    Im = padarray(Im,[1 1 1],'replicate', 'post');
    shifts = {[-1 0 0] [0 -1 0] [0 0 -1]};
elseif noDims == 2
    Im = padarray(Im,[1 1],'replicate', 'post');
    shifts = {[-1 0] [0 -1]};
end

% get value of the neighbors for each pixel
% by shifting the image in each direction
r=[]; c=[];
for i = 1:numel(shifts)
    tmp = circshift(Im,shifts{i});
    r = [r ; Im(validim)];
    c = [c ; tmp(validim)]; 
end

A = sparse(r,c,ones(size(r)), numel(labels), numel(labels) );
% make symmetric, delete diagonal
A = (A+A')>0;
A(1:size(A,1)+1:end)=0;

Спасибо за помощь!

Попробуйте это -

Im = padarray(Im,[1 1],'replicate');

labels = unique(Im);
box1 = [-size(Im,1)-1 -size(Im,1) -size(Im,1)+1 -1 1 size(Im,1)-1 size(Im,1) size(Im,1)+1];

mat1 = NaN(numel(labels),numel(labels));
for k2=1:numel(labels)
    a1 = find(Im==k2);
    for k1=1:numel(labels)
        a2 = find(Im==k1);
        t1 = bsxfun(@plus,a1,box1);
        t2 = bsxfun(@eq,t1,permute(a2,[3 2 1]));
        mat1(k2,k1) = any(t2(:));
    end
end
mat1(1:size(mat1,1)+1:end)=0;

Если это работает для вас, поделитесь с нами временем выполнения для сравнения? Хотелось бы увидеть, заваривается ли кофе быстрее, чем за полчаса!

Ниже моя попытка.

 Im = [1 1 1 1 2 2 2;
     1 1 1 2 2 2 3;
     1 4 1 2 2 3 3;
     4 4 4 4 3 3 3;
     4 4 4 4 3 3 3];

 % mark the borders
 validim = zeros(size(Im));
 validim(2:end-1,2:end-1) = 1;

 % get value of the 4-neighbors for each pixel
 % by shifting the images 4 times in each direction
 numNeighbors = 4;
 adj = zeros([prod(size(Im)),numNeighbors]);
 shifts = {[0 1] [0 -1] [1 0] [-1 0]};
 for i = 1:numNeighbors
     tmp = circshift(Im,shifts{i});
     tmp(validim == 0) = nan;
     adj(:,i) = tmp(:);
 end

 % mark neighbors where it does not eq Im
 imDuplicates = repmat(Im(:),[1 numNeighbors]);
 nonequals = adj ~= imDuplicates;
 % neglect the border
 nonequals(isnan(adj)) = 0;     
 % get these neighbor values and the corresponding Im value
 compared = [imDuplicates(nonequals == 1) adj(nonequals == 1)];

 % construct your 'A' % possibly could be more optimized here.
 labels = unique(Im);
 A = zeros(numel(labels));
 for i = 1:size(compared,1)
     A(compared(i,1),compared(i,2)) = 1;
 end

@Lisa Ваши рассуждения элегантны, хотя они явно дают неправильные ответы для меток по краям. Попробуйте эту простую матрицу меток:

Im =

 1     2     2
 3     3     3
 3     4     4

Результирующая матрица смежности в соответствии с вашим кодом:

A =

 0     1     1     0
 1     0     1     1
 1     1     0     1
 0     1     1     0

который утверждает смежность между метками «2» и «4»: явно неверно. Это происходит просто потому, что вы читаете дополненные метки Im, основанные на индексах «validim», которые теперь не соответствуют новому Im и доходят до нижних границ.