Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

feature: IntegralImage: max size. #23

Open
zvezdochiot opened this issue Jan 18, 2024 · 1 comment
Open

feature: IntegralImage: max size. #23

zvezdochiot opened this issue Jan 18, 2024 · 1 comment
Assignees
Labels
dispute Debate enhancement New feature or request

Comments

@zvezdochiot
Copy link
Member

zvezdochiot commented Jan 18, 2024

Hi all, @plzombie , @noobie-iv ,...

Есть мнение ограничить максимальный размер IntegralImage неким значением (каким? обсуждаемо.) в операциях порога и цветных фильтрах. При больших изображениях генерировать интегральные изображения по кратковременным уменьшенным в q раз изображениям.

    unsigned long int size_orig = h * w;
    unsigned int q = 1;
    if (size_orig > size_max)
    {
        float qf = sqrt((float) size_orig / size_max);
        q = (int) qf;
        if (q < qf) q++;
    }
    wq = (w + q - 1) / q;
    hq = (h + q - 1) / q;

И обращаться к таким интегральным изображениям по простым образом квантованным индексам и размеру окна:

    IntegralImage<uint32_t> integral_image(wq, hq);
    IntegralImage<uint64_t> integral_sqimage(wq, hq);

    window_size_q = window_size / q;
...
    for (int y = 0; y < h; ++y)
    {
        int yq = y / q;
        for (int x = 0; x < w; ++x)
        {
            int xq = x / q;
...

Значения среднего и скв.отклонения станут приближёнными, но для большинства методов это приемлемо. Зато расход памяти станет строго ограничен, независимо от разрешения исходного изображения.

Остаётся только понять, как быстро и без заморочек произвести ресайз GrayImage по размерам (w,h)->(wq,hq).

@zvezdochiot zvezdochiot self-assigned this Jan 18, 2024
@zvezdochiot zvezdochiot added dispute Debate enhancement New feature or request labels Jan 18, 2024
@zvezdochiot
Copy link
Member Author

Chungkwong Chan. Memory-efficient and fast implementation of local adaptive binarization methods.

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
Labels
dispute Debate enhancement New feature or request
Projects
None yet
Development

No branches or pull requests

1 participant