Python OpenCV调用EMD计算图像距离触发OutOfMemory内存不足错误

1. cv2.EMD（地球移动距离）内部求解线性规划问题时，需要构建尺寸为N×M的代价矩阵，其中N、M分别是两个输入签名的长度。你的两个签名长度均为120000，对应代价矩阵容量为120000×120000 = 1.44×10^10个元素，按单精度浮点数4字节计算，总占用刚好是报错提示的57.6GB，远超普通设备内存上限。
2. 当前的签名构造逻辑不合理：将每个像素的每个颜色通道单独作为一个签名节点，完全没有做特征聚合，无意义地把签名长度拉到了极大值，是触发内存溢出的核心诱因。EMD的常规使用场景是对聚类后的特征中心、颜色直方图bin这类聚合后的低维特征做计算，而非直接处理像素级的离散点。

• 压缩签名长度，改用聚合特征：不要直接用单像素通道作为签名节点，先对图像特征做聚合。比如统计3D颜色直方图，将RGB三个通道各分为8个区间，总共只有512个bin，签名长度直接降到512，对应代价矩阵仅需512×512×4 ≈ 1MB内存，完全无压力。
  示例代码片段：

  # 基于颜色直方图构造签名
  def img_to_hist_sig(img, bins=8):
      # 计算3D颜色直方图
      hist = cv2.calcHist([img], [0,1,2], None, [bins,bins,bins], [0,256,0,256,0,256])
      # 归一化作为权重
      hist = hist.flatten() / hist.sum()
      # 构造签名：每一行是 [权重, R_bin中心, G_bin中心, B_bin中心]
      sig = np.zeros((bins**3, 4), dtype=np.float32)
      bin_centers = np.linspace(16, 240, bins) # 每个bin的中心值
      idx = 0
      for r in bin_centers:
          for g in bin_centers:
              for b in bin_centers:
                  sig[idx] = [hist[idx], r, g, b]
                  idx +=1
      # 过滤掉权重为0的空bin，进一步压缩长度
      sig = sig[sig[:,0] > 0]
      return sig
  

• 下采样缩小图像尺寸：如果确实需要做像素级的EMD计算，先将原图缩小到32×32或更小的分辨率，三通道图像总像素仅为3072，对应代价矩阵仅占用约36MB内存，普通设备可正常运行。
• 替换低复杂度距离指标：如果你的需求只是衡量图像相似度，没有强制要求用EMD，可直接替换为L1/L2像素距离、SSIM结构相似性、直方图相交距离等算法，这些算法不需要构建超大矩阵，内存占用和计算效率都高得多。

内容的提问来源于stack exchange，提问作者NccWarp9