如何优化基于NumPy的灰度图像熵计算代码以提升运行速度？

原代码的性能瓶颈 #

1. 重复遍历全图：原代码循环256次，每次都调用Picalc遍历整张图像统计单个灰度值的数量，相当于对图像做了256次完整遍历，时间复杂度为O(256HW)，效率极低。
2. 低效的逐像素判断：手动嵌套循环逐像素统计，远不如NumPy的向量化操作高效；且Picalc中img[col].any()==pixel存在索引错误，实际应该直接判断col == pixel。

优化方案 #

利用NumPy的内置高效统计方法，一次性完成所有灰度值的计数，仅遍历图像一次，时间复杂度降至O(H*W)：

import numpy as np
import imageio

def compute_entropy(img_path):
    # 读取灰度图像并转为NumPy数组
    im = imageio.imread(img_path)
    # 获取图像总像素数
    total_pixels = im.size
    # 统计每个灰度值的出现次数，自动覆盖0-255的灰度范围
    counts = np.bincount(im.flatten(), minlength=256)
    # 计算每个灰度值的概率，过滤掉概率为0的项
    probabilities = counts[counts > 0] / total_pixels
    # 按信息论公式计算熵
    entropy = -np.sum(probabilities * np.log2(probabilities))
    return entropy

# 调用示例
print(compute_entropy('image.png'))

优化点说明 #

• np.bincount：专门针对非负整数数组的计数场景优化，比手动循环快数十倍，一次性完成所有灰度值的统计。
• im.flatten()：将二维图像数组转为一维，适配bincount的输入要求。
• 向量化计算：所有概率计算和熵的求和都通过NumPy向量化操作完成，避免Python层面的循环开销。
• 减少无效计算：仅对实际出现过的灰度值计算熵，跳过概率为0的项。

内容的提问来源于stack exchange，提问作者amit