将灰度图的十进制Numpy数组转二进制后拆分为8个Numpy数组

你的思路完全没问题，但手动循环处理二进制转换效率偏低，尤其是面对大尺寸图像时。这里给你推荐用Numpy原生位运算的优化方案，代码更简洁、运行速度也快得多：

核心思路 #

利用Numpy的**右移运算（>>）和按位与运算（&）**直接提取每一位：

• 对像素值右移k位，能把第k位移到最低位
• 再和1做按位与，就能保留该位的0/1值，直接得到对应位的数组

完整代码示例 #

import numpy as np

# 模拟你的灰度图数组（shape为(H,W)，取值0-255）
img = np.array([[42,0,52,234],[232,123,2,243],[24,231,245,21],[21,213,241,233]])

# 生成8个二进制位数组：bits[0]对应第0位（最低位），bits[7]对应第7位（最高位）
bit_arrays = []
for bit_position in range(8):
    # 提取当前位的0/1数组
    current_bit = (img >> bit_position) & 1
    bit_arrays.append(current_bit)

# 可选：如果需要每个像素的8位二进制数组（shape为(H,W,8)，最高位在前）
bin_img = np.stack([(img >> k) & 1 for k in reversed(range(8))], axis=-1)

验证示例 #

以第一个像素42为例，它的二进制是00101010：

• bit_arrays[0][0][0] → 第0位：0
• bit_arrays[1][0][0] → 第1位：1
• bit_arrays[2][0][0] → 第2位：0
• ...以此类推，和手动计算完全一致

对比你的现有代码 #

你的代码逻辑是对的，但存在两个小问题：

1. 变量名错误：colsA = imgB.shape[0]里的imgB未定义，应该改为imgA
2. 手动循环效率低：Python循环处理像素远不如Numpy向量运算高效，大图像下差距会非常明显

内容的提问来源于stack exchange，提问作者Juan De Dios Miranda Franco