如何优化Python图像像素化代码？求高效专业实现方案

原代码核心性能瓶颈 #

• 逐像素操作效率极低：使用img.getpixel()和img.putpixel()逐个读写像素，这两个是PIL中最慢的像素访问方式，多层嵌套循环会让大图像的处理速度急剧下降。
• 冗余循环与计算：手动遍历每个分块像素、转换RGB值，Python解释型循环远慢于numpy的向量化运算，大量循环完全是不必要的性能浪费。
• 分块逻辑繁琐：手动维护n和ny计数器划分块区域，代码冗余易出错，没有利用numpy的数组形状操作能力。

优化方案（基于numpy向量化操作） #

直接将PIL图像转为numpy数组，用numpy批量计算替代所有嵌套循环，大幅提升运行效率：

import numpy as np
from PIL import Image

def pixelateImage(self, img, pixSize):
    # 将PIL图像转为numpy数组，形状为(H, W, 3)，数据类型uint8
    img_array = np.array(img)
    height, width = img_array.shape[:2]
    
    # 计算可完整划分的块数（和原逻辑一致，裁剪无法整除的边缘）
    block_h = height // pixSize
    block_w = width // pixSize
    
    # 划分图像为块并批量计算每个块的中位数
    # reshape后形状为(block_h, pixSize, block_w, pixSize, 3)，对块内像素维度取中位数
    block_medians = img_array[:block_h*pixSize, :block_w*pixSize].reshape(
        block_h, pixSize, block_w, pixSize, 3
    ).median(axis=(1, 3))
    
    # 将中位数数组扩展回对应块大小
    pixelated_array = np.repeat(np.repeat(block_medians, pixSize, axis=0), pixSize, axis=1)
    
    # 填充回原图像尺寸（保留边缘未处理区域，和原逻辑一致）
    result_array = np.zeros_like(img_array)
    result_array[:block_h*pixSize, :block_w*pixSize] = pixelated_array.astype(np.uint8)
    
    # 转回PIL图像返回
    return Image.fromarray(result_array)

优化点说明 #

1. 数组化操作替代逐像素读写：numpy数组内存连续，批量操作由底层C实现，速度远超Python循环。
2. 向量化分块计算：通过reshape直接划分图像块，利用median的axis参数一次性计算所有块的中位数，避免手动遍历每个块。
3. 高效扩展块填充：用np.repeat快速将中位数扩展为对应大小的像素区域，替代手动循环填充。
4. 减少冗余转换：直接在uint8数组上计算中位数，省去先转0-1再转回的无用步骤。

额外优化建议 #

• 若无需保留边缘未整除部分，可直接去掉边缘处理逻辑，进一步简化代码。
• 如需支持RGBA等色彩模式，只需调整数组最后一个维度的处理逻辑即可。
• 在pygame中显示时，可直接用pygame.surfarray.make_surface将numpy数组转为pygame表面，避免PIL与pygame的格式转换开销。

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