求替代嵌套for循环的灰度图像积分图高效Python实现方法

高效积分图实现方案 #

你当前的两层循环实现存在两个明显的性能问题：

• 原生Python循环本身执行效率极低，不适合处理大尺寸二维数组
• 每次对image[0:h_Idx, 0:w_Idx]切片求和的复杂度为O(hw)，整体算法复杂度达到O(H²W²)，图像尺寸稍大就会非常卡顿

方案1：使用Numpy原生函数实现（纯Python生态、写法简洁） #

Numpy的cumsum是底层C实现的累加函数，分别沿行、列维度做两次累加即可得到标准积分图，代码量极少且性能提升上千倍：

import cv2
import numpy as np

# 原有图像读取逻辑不变
image = cv2.imread("W_A03.jpg", cv2.IMREAD_GRAYSCALE).astype(float)/255.0

# 一行代码计算积分图
intimage = np.cumsum(np.cumsum(image, axis=0), axis=1)

如果需要适配自适应阈值计算的边界判断逻辑，可生成带首行首列全0的积分图：

# 生成的积分图格式和OpenCV官方返回格式一致
intimage_padded = np.zeros((image.shape[0]+1, image.shape[1]+1), dtype=image.dtype)
intimage_padded[1:, 1:] = np.cumsum(np.cumsum(image, axis=0), axis=1)

方案2：使用OpenCV自带积分图接口（性能最优） #

OpenCV提供了高度优化的cv2.integral函数，直接调用即可得到符合要求的积分图：

# 直接返回带首行首列全0的积分图，可直接用于后续自适应阈值计算
intimage = cv2.integral(image)

两种方案计算得到的积分图和你原有循环实现的结果完全一致，针对1080P级别的图像，计算耗时从秒级/分钟级降到毫秒级，完全适配大尺寸图像处理需求。
最终积分图效果参考：

小提示：如果你最终要实现自适应阈值处理，不需要手动实现积分图逻辑，直接调用cv2.adaptiveThreshold接口即可，可根据需求调整阈值类型、邻域大小和偏置常数项。

内容的提问来源于stack exchange，提问作者Kana