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。

python
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

text
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。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

减少逐像素循环

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通