Как сократить/реорганизовать код? проект сегментации клеток активного вещества ⇐ Python

[Anonymous]

Итак, в настоящее время я работаю над кодом, который предположительно читает, анализирует, сегментирует и выполняет вычисления соотношения сторон в соответствии с теорией Садхукана 2022. Но я все еще застрял на кодировании, так как моя программа все время умирает от перегрузки.
Всего 4 набора папок, в каждой из которых лежат сотни сделанных изображений в формате TIFF. Как я могу переформулировать свой код, чтобы он действительно был работоспособным и мог выполнять расчеты соотношения сторон... (В конце концов, есть ли другие способы сделать это? Я в отчаянии)
import os
import numpy as np
import imageio
import scipy.ndimage as ndi
import scipy as sc
import matplotlib.pyplot as plt

from skimage import filters, measure, morphology, segmentation, util, exposure
from skimage.segmentation import watershed

"""
skipping some normalizations, parameters, bandpass, segmentation using watershed)
"""

def process_image_file(path_to_tiff,
h_to_um_scale=h_to_um,
s_high=s_high_default,
s_low=s_low_default,
H=h_max_threshold,
min_maxima=min_maxima_size,
min_obj=min_object_size):

image = imageio.v2.imread(path_to_tiff).astype(float)

folder = os.path.dirname(path_to_tiff)
mask_path = os.path.join(folder,"mask.tiff")
if os.path.exists(mask_path):
mask = imageio.v2.imread(mask_path) > 0
else:
mask = image > 0

image_um = image * h_to_um_scale
image_um *= mask
band, high, low = bandpass_filter(image_um, s_high=s_high, s_low=s_low)
im_norm = normalized_and_mask(band, image_um)

seed, recon, hmax = find_local_maxima(im_norm, H=H, min_size=min_maxima)
labels, props, centroids = segment_with_watershed(band, recon, image_um, min_size=min_obj)
result= {
"path":path_to_tiff,
"raw":image_um,
"band_pass": band,
"high_pass": high,
"low_pass": low,
"normalized": im_norm,
"seed": seed,
"reconstruction": recon,
"local_maxima": hmax,
"labels": labels,
"regionprops": props,
"centroids": centroids
}
return result

def process_folder(folder_path, file_pattern=None, **kwargs):
results = []

for fname in sorted(os.listdir(folder_path)):
if fname.lower().endswith(('.tif', '.tiff')):
if file_pattern is None or file_pattern(fname):
full = os.path.join(folder_path, fname)
res = process_image_file(full, **kwargs)
results.append(res)
return results

def process_multiple_folders(folder_paths, **kwargs):
datasets = []
for f in folder_paths:
ds = process_folder(f, **kwargs)
datasets.append({"folder": f, "files": ds})
return datasets

if __name__ == "__main__":
base1="xx"
base2="xxx"

folders =[
os.path.join(base1, "A2-1"),
os.path.join(base1, "A2-7"),
os.path.join(base2, "A1-13"),
os.path.join(base2, "B1-11")
]

if len(folders) != 4:
raise ValueError("Please provide exactly 4 folder paths,")
for f in folders:
if not os.path.isdir(f):
raise FileNotFoundError(f"Folder not found: {f}")

datasets = process_multiple_folders(
folders,
h_to_um_scale=h_to_um,
s_high=s_high_default,
s_low=s_low_default,
H=h_max_threshold,
min_maxima=min_maxima_size,
min_obj=min_object_size
)

set1, set2, set3, set4 = [d["files"] for d in datasets]
print("Images processed per set:", len(set1), len(set2), len(set3), len(set4))


Подробнее здесь: https://stackoverflow.com/questions/798 ... er-project