Анализ данных трехмерного изображения как 2d

Question

У меня есть изображение размером около 10 Гб. Мне нужно выполнить классификацию объектов или пикселей в этом изображении. Размерность данных изображения имеет форму zyx. Размер моего вокселя в х = 0,6, у = 0,6 и z = 1,2. Z - глубина объекта. Моя оперативная память не может взять весь образ.

Если я делаю классификацию пикселей в каждой плоскости Z отдельно, а затем объединяюсь, чтобы получить окончательную форму и объем объекта.

Потеряю ли я какую-либо информацию, и моя окончательная форма или объем объекта будут неправильными?

Answer 1

Я думаю, что разбиение изображения на любую плоскость (x / y / z) разрушает точку концепции вокселя, потому что представление трехмерного объекта сглаживается, и вы теряете пространственные реляционные данные.

Я думаю, что есть несколько вариантов:

1. Используйте распределенный вычислительный кластер, такой как Hadoop.
2. Посмотрите, как сохранить это изображение в геопространственной базе данных, такой как GeoMesa, чтобы его можно было эффективно запрашивать, тогда вы можете просто сохранить в памяти то, что вам нужно для локального обучения.
3. 10 ГБ не так уж велик, так что, возможно, увеличьте объем памяти?

Answer 2

Проблема с выполнением классификации в каждой z-плоскости по отдельности заключается в том, что вы не сможете классифицировать объекты с такого рода ограниченной информацией.

Вы можете легко думать об этом так же, как и в случае проблемы с двумерным распознаванием лиц, когда вы пытаетесь определить лицо в каждом ряду по отдельности - это, вероятно, не будет очень надежным, и вы потеряете ценную пространственную информацию . В конце концов вы, вероятно, не обнаружите объединений.

Предложение по решению:

Я бы посоветовал увеличить размер ваших вокселей до тех пор, пока он не будет обработан вашим процессором, скажем, уменьшить разрешение ваших данных и выполнить классификацию с низким доверительным порогом. Затем вернитесь и выполните другую классификацию томов с обнаружениями в них, на этот раз стремитесь к более высокому доверительному пределу. Это может быть сделано итеративно по мере необходимости.