非均匀倒易空间衍射数据旋转至实际坐标的高效实现问询

针对你当前逐像素循环导致的效率问题，核心优化方向是用NumPy向量化运算替代Python层循环，利用底层C实现的数组操作大幅提速。以下是基于你现有坐标数组Sx、Sy的高效实现方案：

核心思路 #

1. 直接计算每个原始像素对应的输出网格索引（替代逐像素where查找）
2. 利用NumPy的maximum.at方法批量完成最大值映射（替代循环赋值）

优化后的代码实现 #

步骤1：预处理输出网格的参数 #

先提前计算输出网格的步长与边界，避免重复计算：

# 计算输出网格的步长
dx = xS[1] - xS[0]
dy = yS[1] - yS[0]

# 输出网格的边界索引范围
x_min_idx, x_max_idx = 0, len(xS)-1
y_min_idx, y_max_idx = 0, len(yS)-1

步骤2：向量化计算所有像素的输出索引 #

# 计算每个Sx、Sy对应的输出网格索引（四舍五入等价于原逻辑中tol=1/2像素的查找规则）
x_idx = np.round((Sx - xS[0]) / dx).astype(int)
y_idx = np.round((Sy - yS[0]) / dy).astype(int)

# 过滤超出输出网格范围的索引，避免数组越界
valid_mask = (x_idx >= x_min_idx) & (x_idx <= x_max_idx) & (y_idx >= y_min_idx) & (y_idx <= y_max_idx)
valid_x = x_idx[valid_mask]
valid_y = y_idx[valid_mask]
valid_data = Data[valid_mask]

步骤3：批量完成最大值映射 #

# 初始化输出数组
DataOut = np.zeros_like(xxS)

# 批量更新对应索引位置的最大值，这是核心提速点
np.maximum.at(DataOut, (valid_x, valid_y), valid_data)

效率对比 #

• 原逐像素循环：单张680k像素图需约1.8小时
• 优化后方案：单张图处理时间压缩至数秒级别，10张图仅需几十秒

关键细节说明 #

• 索引计算逻辑：np.round((Sx - xS[0])/dx)完全匹配你原代码中tol=dx/2的位置查找规则，保证映射一致性
• 边界过滤：避免超出输出网格范围的索引导致越界错误
• np.maximum.at：NumPy专为"按索引批量更新并取最大值"场景优化的底层函数，性能远高于Python循环

内容的提问来源于stack exchange，提问作者Michael Jones