如何用类Numpy方法加速图像局部强度归一化代码？

原代码的核心问题是双重Python循环逐像素计算窗口最值，这种方式在处理中等及以上尺寸图像时效率极低——Python循环本身开销大，且每个窗口的最值计算都要重复遍历像素，完全没有利用Numpy的向量化优势。

下面是完全基于Numpy的优化实现，能把速度提升几个数量级：

优化后代码 #

import numpy as np

def arealNorm(img, kernel_size=7):
    # 校验输入为灰度图
    if img.ndim != 2:
        raise ValueError("输入必须是二维灰度图像数组")
    
    # 原代码的窗口尺寸是 2*kernel_size x 2*kernel_size（切片左闭右开，实际覆盖范围）
    window_shape = (kernel_size * 2, kernel_size * 2)
    
    # 生成滑动窗口视图（内存视图，无额外内存开销），并裁剪掉原代码未覆盖的最后一组窗口
    windows = np.lib.stride_tricks.sliding_window_view(
        img,
        window_shape=window_shape,
        axis=(0, 1)
    )[:-1, :-1]
    
    # 批量计算所有窗口的最大值和最小值，用axis参数指定对每个窗口的二维区域运算
    window_max = np.max(windows, axis=(-2, -1))
    window_min = np.min(windows, axis=(-2, -1))
    
    # 初始化输出数组，边界区域保持为0（与原代码逻辑一致）
    img_norm = np.zeros_like(img, dtype=np.float64)
    
    # 提取原图像中需要归一化的区域，执行归一化计算
    roi = img[kernel_size:-kernel_size, kernel_size:-kernel_size]
    # 加入1e-8避免窗口内像素值全同时出现除零错误
    img_norm[kernel_size:-kernel_size, kernel_size:-kernel_size] = (roi - window_min) / (window_max - window_min + 1e-8)
    
    return img_norm

关键优化点说明 #

• 滑动窗口视图：np.lib.stride_tricks.sliding_window_view直接在原数组上创建滑动窗口的内存视图，不需要复制任何像素数据，比手动切片效率高得多。
• 向量化最值计算：通过np.max/np.min的axis参数，一次性完成所有窗口的最值计算，底层是C实现的批量运算，远快于Python循环。
• 边界兼容：裁剪滑动窗口的最后一行/列，确保和原代码的计算区域完全一致；输出数组的边界区域保持为0，和原逻辑对齐。
• 除零保护：加入极小值1e-8，避免因窗口内所有像素值相同导致的除法错误（原代码未处理这种异常情况）。

性能对比 #

以1000×1000的灰度图为例，原代码可能需要几十秒才能完成，优化后的代码仅需几百毫秒，性能提升非常显著。

内容的提问来源于stack exchange，提问作者MooNChilD Song