如何使用PIL优化基于自定义函数的图像坐标变换？

针对你用ImageDraw.point逐像素处理2000x2000图像速度过慢的问题，推荐两种高效解决方案，完全替代低效的双重循环：

方案一：结合numpy矢量化运算（推荐，速度最快） #

利用numpy的矢量化操作批量计算坐标，避免Python循环的开销，处理大尺寸图像效率极高：

from PIL import Image
import numpy as np

size = 2000
# 替换为你的原始像素图像，比如 pix = Image.open("source_image.png")
pix = Image.new('RGB', (size, size), color=(100, 200, 255))
# 转为numpy数组方便批量操作
pix_np = np.array(pix)

# 生成目标图像的坐标网格
x_coords = np.arange(size)
y_coords = np.arange(size)
xx, yy = np.meshgrid(x_coords, y_coords)

# 应用自定义坐标变换，批量计算原始图像的对应坐标
# 如果functionX/functionY是普通Python函数，可用np.vectorize包装，比如：
# src_x = np.vectorize(functionX)(xx)
# src_y = np.vectorize(functionY)(yy)
src_x = functionX(xx)  # 若functionX支持numpy数组直接运算，直接调用即可
src_y = functionY(yy)

# 裁剪坐标到图像范围内，避免越界报错
src_x = np.clip(src_x, 0, size - 1).astype(int)
src_y = np.clip(src_y, 0, size - 1).astype(int)

# 批量提取像素并生成结果图像
result_np = pix_np[src_y, src_x]
img = Image.fromarray(result_np)

方案二：纯PIL内置函数实现（无需额外依赖） #

使用PIL的Image.transform方法，底层基于C实现，比逐像素绘制快很多：

from PIL import Image

size = 2000
# 替换为你的原始像素图像
pix = Image.new('RGB', (size, size), color=(100, 200, 255))

# 定义整合后的坐标变换函数：接收(x,y)元组，返回变换后的原始坐标
def transform_coords(xy):
    x, y = xy
    return (functionX(x), functionY(y))

# 生成变换后的图像，使用FREE模式支持任意自定义变换
img = pix.transform((size, size), Image.FREE, transform_coords)

注意事项 #

• 若你的functionX/functionY是普通Python函数，方案一中用np.vectorize包装后仍能运行，但优先建议将函数改为支持numpy数组的矢量化实现（比如用numpy内置函数替代Python循环），进一步提升速度。
• 两种方案都能避免逐像素绘制的巨大开销，2000x2000尺寸的图像处理时间可从分钟级压缩到秒级。

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