如何利用numpy reshape消除循环实现图像块均值降采样？

优化后的代码 #

import numpy as np
from matplotlib import pyplot as plt
from PIL import Image as im

B = 9
pic = np.array(im.open('portrait.png'))
# 裁剪图像，确保宽高都是B的倍数，保留RGB通道
pic = pic[pic.shape[0] % B:, pic.shape[1] % B:, :3]

# 向量化实现块均值降采样
h, w, c = pic.shape
# 重新调整形状：(块行数, 块内高度, 块列数, 块内宽度, 通道数)
blocked = pic.reshape(h // B, B, w // B, B, c)
# 在块内的高度和宽度轴上取均值
reduced = blocked.mean(axis=(1, 3)).astype(np.uint8)

plt.title(str(reduced.shape))
plt.imshow(reduced)
plt.show()

代码解释 #

• 裁剪图像：和原代码逻辑一致，确保图像的高度和宽度都是B的整数倍，避免后续分块时出现剩余像素。
• 分块reshape：将原图像的形状(h, w, c)重新组织为(h//B, B, w//B, B, c)，其中：
  • h//B是垂直方向的块数量，B是每个块的高度；
  • w//B是水平方向的块数量，B是每个块的宽度；
  • c是图像的通道数（这里是3，对应RGB）。
• 块内取均值：调用mean(axis=(1,3))，对每个块的高度轴（轴1）和宽度轴（轴3）计算均值，直接得到每个块对应的单个像素值。
• 类型转换：将均值结果转换为uint8类型，符合图像像素0-255的取值范围。

优势说明 #

Numpy的向量化操作基于底层C实现，避免了Python循环的性能开销，处理大图像时效率提升明显，同时代码更简洁易读。

内容的提问来源于stack exchange，提问作者scribe