如何计算满足饱和度亮度组合阈值的图像像素占比？

原代码的问题 #

你原代码的核心问题在于：

• 错误地按色相（h）分组存储组合值，完全偏离了“统计所有符合条件的总像素数”的需求
• filter(lambda x: x > BASELINE, d) 的用法逻辑错误，d 是字典，filter后无法直接得到符合条件的像素数量
• 逐像素循环效率极低，尤其对大图像来说不现实

修正方案（基于NumPy的向量化实现） #

直接利用NumPy的向量化运算高效计算并统计，代码如下：

import numpy as np

BASELINE = 0.8
# 假设hsv是已经转换好的HSV格式图像数组（shape为(height, width, 3)）
height, width = hsv.shape[:2]
total_pixels = height * width

# 提取S和V通道，转换为0-1范围
s_channel = hsv[:, :, 1] / 255.0
v_channel = hsv[:, :, 2] / 255.0

# 计算组合值
combined_value = np.sqrt(s_channel * v_channel)

# 统计符合条件的像素数
vibrant_count = np.sum(combined_value > BASELINE)

# 计算占比百分比
vibrant_ratio = (vibrant_count / total_pixels) * 100
print(f"符合条件的像素占比: {vibrant_ratio:.2f}%")

代码解释 #

• 向量化运算：避免逐像素循环，利用NumPy的广播机制直接对整个通道数组计算，速度提升几个数量级
• 通道提取：直接从HSV数组中取出S（索引1）和V（索引2）通道，不需要reshape成一维数组
• 统计逻辑：combined_value > BASELINE 会生成一个布尔数组，np.sum() 直接统计其中True的数量（即符合条件的像素数）
• 占比计算：用达标像素数除以总像素数，再乘以100得到百分比

若坚持用循环实现（仅作学习调试用） #

如果一定要用循环，修正后的代码如下：

import math

BASELINE = 0.8
pixels = hsv.reshape((-1, 3))  # 等价于hsv.shape[0]*hsv.shape[1], 3
total_pixels = len(pixels)
vibrant_count = 0

for h, s, v in pixels:
    combined = math.sqrt((s/255.0) * (v/255.0))
    if combined > BASELINE:
        vibrant_count += 1

vibrant_ratio = (vibrant_count / total_pixels) * 100
print(f"符合条件的像素占比: {vibrant_ratio:.2f}%")

这个版本直接统计所有符合条件的像素数，不再按色相分组，逻辑简单清晰。

内容的提问来源于stack exchange，提问作者sed