灰度图像块像素重排优化：替代四层嵌套循环的高效方案

现有一张灰度图像，已划分为128×128规格的图像块，输入图像（Image_input）的行方向块数为68（num_block_row），列方向块数为54（num_block_col）。当前通过四层嵌套for循环实现将每个块的对应像素（即所有块中位置相同的像素）并排排列的功能，代码可正常运行但耗时极高，原代码如下：

for t in range(blocksize[0]):
    for s in range(blocksize[0]):
        for i in range(num_block_row):
            for j in range(num_block_col):
               Image_result[(t*num_block_row) + i ,(s*num_block_col) + j] = Image_input[(i * blocksize[0]) + t, (j * blocksize[0]) + s]

优化方案：使用Numpy向量化操作替代循环 #

Python嵌套循环的逐元素操作效率极低，尤其是处理大尺寸图像时。利用Numpy的维度变换（reshape + transpose）可以实现完全相同的功能，且效率提升几个数量级。

核心思路通过三步完成像素重排：

1. 按块拆分维度：将输入图像从(num_block_row*128, num_block_col*128)转换为(num_block_row, 128, num_block_col, 128)，对应维度为（块行索引，块内行索引，块列索引，块内列索引）。
2. 调整轴顺序：把块内行/列索引移到最外层，将数组形状转为(128, num_block_row, 128, num_block_col)，让每个块内相同位置的像素集中到对应子数组。
3. 合并维度：将调整后的数组合并为(128*num_block_row, 128*num_block_col)，得到与原循环完全一致的结果。

优化后的代码：

import numpy as np

# 确保输入图像形状符合预期
assert Image_input.shape == (num_block_row * blocksize[0], num_block_col * blocksize[1])

# 按块拆分维度
blocked_img = Image_input.reshape(num_block_row, blocksize[0], num_block_col, blocksize[1])
# 调整轴顺序
reordered_img = blocked_img.transpose(1, 0, 3, 2)
# 合并维度得到结果
Image_result = reordered_img.reshape(blocksize[0] * num_block_row, blocksize[1] * num_block_col)

验证正确性 #

可以随机选取位置对比原循环与优化代码的输出，确保结果一致：

# 随机选取参数验证
t, s = 50, 60
i, j = 10, 20

val_original = Image_input[(i * blocksize[0]) + t, (j * blocksize[0]) + s]
val_optimized = Image_result[(t*num_block_row) + i, (s*num_block_col) + j]
assert val_original == val_optimized, "结果不一致，请检查参数或步骤"

内容的提问来源于stack exchange，提问作者Afra Mirhosseini