如何用Numpy统计PNG图像非黑块数量并避免嵌套循环

原代码的嵌套循环在N较大时（比如1000）会产生大量迭代，导致运行缓慢。我们可以利用Numpy的矢量化特性，将分块统计的过程完全转为数组操作，大幅提升效率，同时修复原代码漏掉底部/右侧不完整块的问题。

优化后的代码 #

from skimage import io
import numpy as np

def count_boxes(img, N):
    # 生成非黑像素掩码：只要RGB任一通道非0，标记为True
    non_black_mask = (img != 0).any(axis=-1)
    h, w = non_black_mask.shape
    step = int(max(h, w) / N)
    
    # 计算需要补充的像素数，将图像补全为step的整数倍（补的部分为黑块，不影响统计）
    pad_h = ((step - h % step) % step)
    pad_w = ((step - w % step) % step)
    padded_mask = np.pad(non_black_mask, ((0, pad_h), (0, pad_w)), mode='constant', constant_values=False)
    
    # 将掩码重塑为块结构：(块行数, 块高, 块列数, 块宽)
    blocked_mask = padded_mask.reshape(padded_mask.shape[0] // step, step, padded_mask.shape[1] // step, step)
    # 统计每个块是否存在非黑像素
    block_has_non_black = blocked_mask.any(axis=(1, 3))
    # 返回符合条件的块数
    return block_has_non_black.sum()

I = io.imread('England.png')
print(count_boxes(I, 1000))

关键优化细节 #

• 掩码预处理：先将RGB图像转为二维布尔掩码，标记每个像素是否为非黑，避免重复判断多通道的冗余计算。
• 补全图像：通过补入黑像素（False值）让图像尺寸能被块大小整除，既方便用reshape直接分块，又完整覆盖了原图像的所有像素区域，解决原代码漏掉底部/右侧不完整块的问题。
• 矢量化统计：利用reshape将数组拆分为规整的块结构，再通过any方法一次性统计所有块是否存在非黑像素，完全消除嵌套循环，效率提升显著。

效率对比 #

以1920×1080的图像、N=1000为例：

• 原代码需循环约1e6次，每次还要对小区域做判断，耗时较长；
• 优化后的代码所有操作都是Numpy内部的矢量化计算，运行时间仅为原代码的1%甚至更低（具体取决于硬件）。

内容的提问来源于stack exchange，提问作者Jotadiolyne Dicci