嘿，我来帮你搞定这个XYZ转u'v'的问题，顺便解决你遇到的报错和卡顿问题～

一、先解决np.vectorize的用法与报错问题 #

你的代码思路是对的，但两个问题导致了报错和卡顿：

1. 分母X +15Y +3Z可能出现0值，触发除以0的警告
2. np.vectorize本质是Python循环包装，大图像下会慢到看起来“卡住”

如果一定要用np.vectorize，可以这样修改：

import numpy as np

# 输入为形状(width, height, 3)的im_xyz
def xyz2uv(XYZ):
    X, Y, Z = XYZ
    # 加一个极小值epsilon避免除以0
    epsilon = 1e-8
    denominator = X + 15 * Y + 3 * Z + epsilon
    return np.array([(4 * X)/denominator, (9 * Y)/denominator])

# 用signature指定输入输出的维度，这里输入是长度3的数组，输出是长度2的数组
xyz2uv_v = np.vectorize(xyz2uv, signature='(3)->(2)')
# 不需要reshape成二维！vectorize可以直接处理(width, height, 3)的数组
im_uv = xyz2uv_v(im_xyz)

修改点说明：

• 给分母加1e-8的epsilon，彻底避免除以0的RuntimeWarning
• 不需要把图像reshape成(N,3)，np.vectorize配合signature可以直接处理三维数组，输出自动是(width, height, 2)

但还是要强调：这只是让代码能跑起来，效率依然很低。

二、np.vectorize是不是最优解？ #

答案是完全不是！

np.vectorize只是个语法糖，它并没有真正实现C级别的向量化运算——底层依然是在做Python层面的循环遍历每个像素。对于大尺寸图像（比如1920×1080），这种循环会慢到离谱，这就是你觉得代码一直运行的原因。

三、更高效的替代方案：直接用NumPy向量化运算 #

NumPy的数组操作是在C底层实现的，完全避开Python循环，速度能提升几个数量级。直接拆分XYZ通道做运算就行：

import numpy as np

# 假设im_xyz是形状(width, height, 3)的输入数组
X = im_xyz[..., 0]  # 提取X通道，形状(width, height)
Y = im_xyz[..., 1]  # 提取Y通道
Z = im_xyz[..., 2]  # 提取Z通道

# 计算分母，同样加epsilon避免除以0
denominator = X + 15 * Y + 3 * Z + 1e-8

# 直接计算u'和v'，自动广播到整个图像尺寸
u_prime = (4 * X) / denominator
v_prime = (9 * Y) / denominator

# 把两个通道合并成(width, height, 2)的输出数组
im_uv = np.stack([u_prime, v_prime], axis=-1)

这个方法的优势：

• 速度极快，完全利用NumPy的向量化加速
• 代码更简洁，不需要额外定义函数和vectorize包装
• 避免了Python循环带来的性能开销

四、关于你遇到的RuntimeWarning #

这个警告是因为某些像素的X +15Y +3Z等于0（比如纯黑的XYZ像素，Y=0且X=Z=0），导致除法运算出现NaN或无穷大。加1e-8的epsilon就能解决这个问题，同时不会对正常像素的计算结果产生可感知的影响。

内容的提问来源于stack exchange，提问作者Ke Vin