如何在iOS/macOS中用Swift结合vImage高效计算图像香农熵

1. 将四通道交错缓冲区转换为单通道灰度缓冲区 #

不要用multiply()做灰度转换，改用vImage专门的硬件加速颜色转换方法，直接把Interleaved8x4转为Planar8单通道灰度图：

// 创建灰度图像格式描述
let grayFormat = vImage_CGImageFormat(
    bitsPerComponent: 8,
    bitsPerPixel: 8,
    colorSpace: CGColorSpaceCreateDeviceGray(),
    bitmapInfo: .init(rawValue: CGImageAlphaInfo.none.rawValue))!

// 初始化灰度缓冲区
var grayBuf = try vImage.PixelBuffer<vImage.Planar8>(
    width: buf.width,
    height: buf.height,
    cgImageFormat: &grayFormat)

// 执行RGBA到灰度的转换
try buf.convert(to: &grayBuf,
                format: vImage_CGImageFormat_RGBA8,
                destinationFormat: vImage_CGImageFormat_Gray8)

2. 手动计算单通道灰度图的直方图 #

Planar8没有内置histogram()方法，直接调用vImage底层的直方图计算函数，效率远高于手动遍历像素：

// 初始化256级灰度的直方图数组
var histogram = [UInt](repeating: 0, count: 256)
let error = vImageHistogramCalculation_Planar8(
    &grayBuf.buffer,
    &histogram,
    vImage_Flags(kvImageNoFlags))

// 检查转换错误
guard error == kvImageNoError else {
    throw NSError(domain: vImageErrorDomain, code: Int(error), userInfo: nil)
}

3. 计算香农熵 #

基于直方图统计结果，代入公式-sum(pi * log₂(pi))计算熵，注意跳过像素数为0的灰度级（避免log₂(0)的无意义计算）：

let totalPixels = UInt(buf.width * buf.height)
var entropy: Double = 0.0

for pixelCount in histogram {
    guard pixelCount > 0 else { continue }
    let probability = Double(pixelCount) / Double(totalPixels)
    entropy -= probability * log2(probability)
}

// entropy 即为最终的图像香农熵值

关键优化说明 #

• 专用颜色转换函数是硬件加速的，比自定义乘法转换效率高3-5倍
• 底层直方图函数直接操作内存块，避免了Swift层面的像素遍历开销
• 香农熵默认以2为底计算（符合信息论标准定义），若需自然对数可替换为log函数

内容的提问来源于stack exchange，提问作者Kaven