如何构建迭代器计算两个图像栈的所有图像对欧氏距离？

用itertools.product生成两两组合 #

itertools.product并非只适用于字符串，它可以处理任何可迭代对象（包括numpy数组），用来生成两个集合的笛卡尔积（即a_stack里的每一张图和b_stack里的每一张图配对），完全匹配你的需求。

示例代码：

import itertools
from scipy.spatial import distance as dist
import numpy as np

# 生成所有图像对的迭代器
image_pairs = itertools.product(a_stack, b_stack)

# 遍历计算每对图像的欧氏距离
distances = []
for a_img, b_img in image_pairs:
    dist_val = dist.euclidean(a_img.flatten(), b_img.flatten())
    distances.append(dist_val)

# 转换成(200, 200)的矩阵，方便索引（distances[i][j]对应a_stack[i]和b_stack[j]的距离）
distances = np.array(distances).reshape(200, 200)

更高效的向量化计算（推荐） #

面对200*200=40000次循环，Python原生循环效率偏低。可以用numpy和scipy的向量化方法直接计算，底层基于C实现，速度提升明显：

import numpy as np
from scipy.spatial.distance import cdist

# 将图像栈展平为二维矩阵：(图像数量, 像素总个数)，此处300*300*3=270000
a_flat = a_stack.reshape(a_stack.shape[0], -1)
b_flat = b_stack.reshape(b_stack.shape[0], -1)

# 直接计算所有两两欧氏距离，结果为(200, 200)的矩阵
distances_matrix = cdist(a_flat, b_flat, metric='euclidean')

这个方法无需手动构建迭代器，一步即可得到所有距离的矩阵，效率远高于循环实现。

内容的提问来源于stack exchange，提问作者DrBwts