计算机视觉 / 系统课时
减少逐像素循环
减少逐像素循环
本课解决 Python 图像处理代码运行缓慢的问题:把逐像素 for 循环改写为 NumPy 切片、布尔索引或 OpenCV 批量函数,并用一致性检查确认优化前后结果相同。
学习目标
- 识别逐像素循环的性能瓶颈
- 使用向量化表达式替代双重循环
- 通过计时和结果对比验证优化效果
为什么逐像素循环慢
OpenCV 图像本质上是 NumPy 数组。双重 for 循环会让每个像素都经过 Python 解释器、索引解析和类型转换,而 NumPy 与 OpenCV 可以在底层连续处理整块内存,因此通常快得多。
优化时不要先改业务规则。应先保留原实现作为基准,再改写计算方式,最后用 np.array_equal 比较结果,避免只看到速度提升却引入像素差异。
三种替代方式
| 需求 | 推荐方式 | 典型写法 |
|---|---|---|
| 截取或批量赋值 | NumPy 切片 | image[y1:y2, x1:x2] |
| 按条件选择像素 | 布尔索引 | image[mask] = value |
| 阈值、滤波、颜色范围 | OpenCV 函数 | cv2.threshold、cv2.inRange |
切片和布尔索引适合表达简单数组规则;OpenCV 函数适合已有成熟实现的视觉操作。两者都比在 Python 层逐点处理更容易维护。
完整对比示例
下面以灰度阈值为例,将大于等于 128 的像素设为 255,其余设为 0。程序分别执行逐像素循环、NumPy 布尔运算和 OpenCV 阈值函数。
from collections.abc import Callable
from time import perf_counter
import cv2
import numpy as np
THRESHOLD = 128
def loop_threshold(image: np.ndarray) -> np.ndarray:
result = np.zeros_like(image)
height, width = image.shape
# 基准实现保留最直接的业务规则,便于核对优化结果。
for y in range(height):
for x in range(width):
if image[y, x] >= THRESHOLD:
result[y, x] = 255
return result
def numpy_threshold(image: np.ndarray) -> np.ndarray:
return (image >= THRESHOLD).astype(np.uint8) * 255
def opencv_threshold(image: np.ndarray) -> np.ndarray:
_, result = cv2.threshold(
image,
THRESHOLD - 1,
255,
cv2.THRESH_BINARY,
)
return result
def measure(
function: Callable[[np.ndarray], np.ndarray],
image: np.ndarray,
) -> tuple[np.ndarray, float]:
started_at = perf_counter()
result = function(image)
elapsed_ms = (perf_counter() - started_at) * 1000
return result, elapsed_ms
def main() -> None:
rng = np.random.default_rng(42)
image = rng.integers(
0,
256,
size=(240, 320),
dtype=np.uint8,
)
loop_result, loop_ms = measure(loop_threshold, image)
numpy_result, numpy_ms = measure(numpy_threshold, image)
opencv_result, opencv_ms = measure(opencv_threshold, image)
print("循环与 NumPy 结果一致:", np.array_equal(loop_result, numpy_result))
print("NumPy 与 OpenCV 结果一致:", np.array_equal(numpy_result, opencv_result))
print(f"逐像素循环:{loop_ms:.3f} ms")
print(f"NumPy 布尔运算:{numpy_ms:.3f} ms")
print(f"OpenCV threshold:{opencv_ms:.3f} ms")
if __name__ == "__main__":
main()预期输出
循环与 NumPy 结果一致: True
NumPy 与 OpenCV 结果一致: True
逐像素循环:<MILLISECONDS> ms
NumPy 布尔运算:<MILLISECONDS> ms
OpenCV threshold:<MILLISECONDS> ms<MILLISECONDS> 受 CPU、Python 版本和系统负载影响,实际值可能不同。关键验收条件是两项一致性检查均为 True,并且向量化版本通常明显快于逐像素循环。
改写现有代码的顺序
先查找形如 for y、for x 的嵌套循环,确认循环体是在做区域截取、条件判断、颜色替换还是邻域运算。区域赋值优先改为切片,条件替换优先改为布尔索引,已有视觉算法则优先查找对应的 OpenCV API。
不要为了消除循环而创建大量临时数组。超大图像可能因中间布尔掩膜增加内存峰值,此时可以按行块或图块批量处理,但仍应避免退回单像素循环。
关键边界
NumPy 的 uint8 计算会发生溢出,例如 250 + 10 不会得到 260。涉及加减乘除时,可先转换为 int16 或 float32,计算完成后再裁剪并转回 uint8。
OpenCV 的阈值参数与布尔条件必须完全对齐。本例使用 THRESHOLD - 1,因为 cv2.THRESH_BINARY 的规则是大于阈值才置为最大值,这样才能与 image >= 128 保持一致。
本课总结
- Python 双重循环的主要成本来自逐像素解释执行
- 切片、布尔索引和 OpenCV 函数可以批量处理整块数据
- 优化必须同时验证结果一致性、运行时间和内存占用
下一课预告
下一课将继续分析 OpenCV 程序中的数据复制与内存分配,学习如何减少不必要的临时图像。