基于scikit-image：大图像掩码区域最常见颜色的高效计算方案

问题背景 #

我正在制作一款策略游戏模组，需要基于两张RGB图像统计每个省份的主导地形：

• 省份区域图：每个省份对应唯一RGB颜色
• 地形图像：不同地形对应不同RGB颜色

核心需求是统计每个省份区域内最常见的地形颜色，规避边缘绘制误差导致的多地形像素问题。但当前实现处理大尺寸图像时耗时极长，主要瓶颈在get_inverse_map函数中的numpy.unique操作。

现有实现代码 #

from skimage import io
import numpy

# 将RGB地图转为索引映射图，每个像素对应颜色的索引值
def get_inverse_map(map, to_tuples = True):
    original_map_shape = (map.shape[0], map.shape[1])
    flattened_map = map.reshape(-1, map.shape[2])
    unique_map_cols, first_occurances, map_inverses, index_counts = numpy.unique(flattened_map, return_index = True, return_inverse = True, return_counts = True, axis = 0)
    unflattened_inverse_map = map_inverses.reshape(original_map_shape)

    if to_tuples:
        unique_map_tuples = [tuple(col) for col in unique_map_cols]
        return unflattened_inverse_map, unique_map_tuples, index_counts
    else:
        return unflattened_inverse_map, unique_map_cols, index_counts


province_map = io.imread(self.province_map_dir)
terrain_map = io.imread(self.terrain_map_dir)

inverse_province_map, unique_province_cols = get_inverse_map(province_map)[ : 2]
inverse_terrain_map, unique_terrain_cols = get_inverse_map(terrain_map)[ : 2]

for p in unique_province_cols:
    province_mask = inverse_province_map == p
    province_terrain_pixels = inverse_terrain_map[province_mask]

    occurances = numpy.bincount(province_terrain_pixels)
    mode_index = numpy.argmax(occurances) # 获取省份内最常见的地形颜色索引

现有实现步骤 #

• 将RGB数组（形状：H×W×3）转为索引映射图（形状：H×W），用整数索引替代RGB值加速比较
• 生成目标省份的掩码（mask）
• 提取掩码范围内的地形图像素
• 用numpy.bincount和numpy.argmax找出最常见的地形颜色索引

优化方案 #

1. 替换numpy.unique为高效RGB转索引方法 #

numpy.unique(axis=0)处理多维数组效率极低，可将RGB值编码为单个整数，再用一维numpy.unique处理：

def rgb_to_index(rgb_map):
    # 将8位RGB通道编码为单个整数：R*256² + G*256 + B
    h, w, _ = rgb_map.shape
    encoded = rgb_map[..., 0] * 256**2 + rgb_map[..., 1] * 256 + rgb_map[..., 2]
    # 获取唯一值和索引映射
    unique_vals, inverse = numpy.unique(encoded, return_inverse=True)
    # 将唯一值转回RGB元组
    unique_rgb = [((val >> 16) & 0xFF, (val >> 8) & 0xFF, val & 0xFF) for val in unique_vals]
    return inverse.reshape(h, w), unique_rgb

该方法将3D数组转为1D，避免了多维unique的性能开销，速度提升显著。

2. 批量统计所有省份地形分布，替代循环遍历 #

原代码逐个遍历省份生成掩码，可改用向量化操作一次性计算所有省份的地形计数：

# 获取省份和地形的索引图
province_idx, province_colors = rgb_to_index(province_map)
terrain_idx, terrain_colors = rgb_to_index(terrain_map)

h, w = province_idx.shape
flat_province = province_idx.flatten()
flat_terrain = terrain_idx.flatten()

# 生成(省份,地形)组合的唯一编码，统计出现次数
num_terrains = len(terrain_colors)
combined = flat_province * num_terrains + flat_terrain
counts = numpy.bincount(combined)

# 解析每个省份的主导地形
province_terrain = []
for p_idx in range(len(province_colors)):
    start = p_idx * num_terrains
    end = start + num_terrains
    p_counts = counts[start:end]
    dominant_terrain_idx = numpy.argmax(p_counts)
    province_terrain.append((province_colors[p_idx], terrain_colors[dominant_terrain_idx]))

完全用向量化操作替代循环，避免多次生成掩码和提取像素的开销，大图像场景下性能提升明显。

3. 超大规模图像的分块内存优化 #

如果图像尺寸过大（如4K以上），可分块处理避免内存溢出：

def process_block(block_province, block_terrain, terrain_num, total_provinces):
    flat_p = block_province.flatten()
    flat_t = block_terrain.flatten()
    combined = flat_p * terrain_num + flat_t
    return numpy.bincount(combined, minlength=total_provinces*terrain_num)

# 分块大小可根据内存调整
block_size = 1024
h, w = province_idx.shape
total_provinces = len(province_colors)
total_counts = numpy.zeros(total_provinces*num_terrains, dtype=numpy.int64)

for y in range(0, h, block_size):
    for x in range(0, w, block_size):
        block_p = province_idx[y:y+block_size, x:x+block_size]
        block_t = terrain_idx[y:y+block_size, x:x+block_size]
        block_counts = process_block(block_p, block_t, num_terrains, total_provinces)
        total_counts += block_counts

# 后续主导地形解析逻辑与之前一致

4. 可选：用OpenCV加速图像读取 #

skimage.io.imread处理大图像速度不如OpenCV，可替换为：

import cv2
# OpenCV默认读BGR格式，需转换为RGB
province_map = cv2.cvtColor(cv2.imread(self.province_map_dir), cv2.COLOR_BGR2RGB)
terrain_map = cv2.cvtColor(cv2.imread(self.terrain_map_dir), cv2.COLOR_BGR2RGB)

OpenCV底层为C++实现，图像读取和处理速度更快。

内容的提问来源于stack exchange，提问作者Thomas Slade