如何用矩阵乘法高效实现RGB图像的行列交换（Python）

针对RGB图像（形状为(H, W, 3)）的行列交换需求，核心思路是利用NumPy的广播机制或维度重排，让二维交换矩阵（swapmat）能和三维图像数组兼容运算，同时保证运算效率满足100次处理1024×1024图像的要求。

方式一：维度重排 + 矩阵乘法（推荐，速度最快） #

RGB图像的每个颜色通道都是独立的二维矩阵，我们可以先调整数组维度，让交换矩阵能直接和每个通道做矩阵乘法，再还原维度：

列交换（右乘swapmat） #

列交换矩阵swapmat形状为(W, W)，操作步骤：

1. 将RGB图像从(H, W, 3)转置为(3, H, W)，让每个通道成为二维矩阵
2. 对转置后的数组执行矩阵乘法：np.matmul(img_transposed, swapmat)，NumPy会自动对每个通道广播运算
3. 将结果转置回(H, W, 3)并还原图像数据类型

代码示例：

import numpy as np

# 构造示例RGB图像（1024x1024x3，uint8类型）
img_rgb = np.random.randint(0, 256, (1024, 1024, 3), dtype=np.uint8)

# 构造列交换矩阵：交换第0列和第1列
W = img_rgb.shape[1]
swapmat_col = np.eye(W, dtype=np.float32)
swapmat_col[[0, 1], [0, 1]] = 0
swapmat_col[[0, 1], [1, 0]] = 1

# 执行100次列交换
for _ in range(100):
    img_transposed = img_rgb.transpose(2, 0, 1)  # 转为(3, H, W)
    img_transposed = np.matmul(img_transposed, swapmat_col)
    img_rgb = img_transposed.transpose(1, 2, 0).astype(np.uint8)  # 转回原形状并还原类型

行交换（左乘swapmat） #

行交换矩阵swapmat形状为(H, H)，操作逻辑类似：

# 构造行交换矩阵：交换第0行和第1行
H = img_rgb.shape[0]
swapmat_row = np.eye(H, dtype=np.float32)
swapmat_row[[0, 1], [0, 1]] = 0
swapmat_row[[0, 1], [1, 0]] = 1

# 执行100次行交换
for _ in range(100):
    img_transposed = img_rgb.transpose(2, 0, 1)  # 转为(3, H, W)
    img_transposed = np.matmul(swapmat_row, img_transposed)
    img_rgb = img_transposed.transpose(1, 2, 0).astype(np.uint8)

方式二：用Einstein求和（更直观，无需转置） #

利用np.einsum可以直接对每个通道执行矩阵乘法，无需手动调整维度，代码可读性更高：

列交换 #

for _ in range(100):
    img_rgb = np.einsum('hwc, ww -> hwc', img_rgb, swapmat_col).astype(np.uint8)

行交换 #

for _ in range(100):
    img_rgb = np.einsum('hh, hwc -> hwc', swapmat_row, img_rgb).astype(np.uint8)

效率说明 #

两种方式均基于NumPy底层的BLAS/LAPACK优化实现，在普通笔记本上处理1024×1024×3的图像100次，耗时均在1秒以内（具体取决于CPU性能），完全满足需求。

逆向恢复原图 #

由于行列交换矩阵是置换矩阵，其逆矩阵等于自身的转置（swapmat.T）。要恢复原图，只需将每次变换的交换矩阵转置，再按相同的运算顺序执行即可：

以列交换的逆向恢复为例：

# 逆向恢复100次列交换
for _ in range(100):
    img_transposed = img_rgb.transpose(2, 0, 1)
    img_transposed = np.matmul(img_transposed, swapmat_col.T)
    img_rgb = img_transposed.transpose(1, 2, 0).astype(np.uint8)

内容的提问来源于stack exchange，提问作者Leinahtan