Python如何实现仅针对矩阵非零区域的卷积运算以降低计算量？

目前没有现成的Python库直接提供和scipy.ndimage.convolve完全对齐的「仅非零区域卷积」接口，但可以通过以下两种方式快速实现，运算效率远高于全图卷积，完全满足降低计算负担的需求：

方案1：轻量自定义实现（无额外依赖） #

该方案适配非零元素占比低的场景，不需要引入额外第三方库，和scipy.ndimage.convolve的边界处理参数完全兼容：

import numpy as np

# 示例输入
matrix = np.array([[ 0, 0, 0],
                   [ 0, 0, 0],
                   [ 0, 1, 1],
                   [ 0, 0, 0],
                   [ 0, 0, 0]])
kernel = np.array([[ 0, -1,  0],
                   [-1,  4, -1],
                   [ 0, -1,  0]])

# 计算卷积核的半宽，用于padding和邻域截取
pad_h = kernel.shape[0] // 2
pad_w = kernel.shape[1] // 2

# 支持和scipy.ndimage.convolve一致的边界模式，修改mode参数即可：constant/reflect/wrap等
padded_mat = np.pad(matrix, ((pad_h, pad_h), (pad_w, pad_w)), mode='constant')

# 提取所有非零元素坐标，加上padding的偏移量
non_zero_y, non_zero_x = np.where(matrix != 0)
non_zero_y += pad_h
non_zero_x += pad_w

output = np.zeros_like(matrix)

# 仅遍历非零元素对应位置计算卷积
for y, x in zip(non_zero_y, non_zero_x):
    # 截取当前点对应的邻域
    region = padded_mat[y-pad_h : y+pad_h+1, x-pad_w : x+pad_w+1]
    # 计算卷积值
    conv_val = np.sum(region * kernel)
    # 回写结果
    output[y-pad_h, x-pad_w] = conv_val

如果你的需求是计算所有非零元素周边覆盖到的区域的卷积值，而非仅非零元素本身的卷积值，只需要在提取坐标步骤，把每个非零元素的邻域所有坐标加入计算列表，去重后再遍历即可，修改成本极低。

方案2：大规模场景加速实现 #

如果需要处理超大尺寸的稀疏矩阵，可以使用PyTorch的稀疏卷积算子，支持GPU加速，性能更高：

• 将原矩阵转换为torch.sparse格式的稀疏张量
• 调用PyTorch官方稀疏卷积接口即可，运算过程会自动跳过全零区域，不需要手动处理坐标逻辑。

内容的提问来源于stack exchange，提问作者nuemlouno