如何优化基于Numpy数组的双曝光图像线性插值（避免循环）

你提到的双重循环处理像素插值的问题确实很常见——Python层面的循环在处理大尺寸图像时会因为逐像素操作的额外开销变得很慢，而Numpy的核心优势就是向量化操作，可以让我们把整个数组作为一个整体进行运算，完全避开Python循环。

方法一：直接利用线性插值的数学公式（最直观高效） #

线性插值的本质就是根据目标曝光时间在两个已知曝光时间之间的占比，对两张图像的像素值做加权求和。假设：

• t = (目标曝光时间 - 第一张图曝光时间) / (第二张图曝光时间 - 第一张图曝光时间)
  那么插值后的像素值 = 第一张图像素值*(1-t) + 第二张图像素值*t

这种方法完全不需要调用np.interp，直接通过数组运算完成，代码非常简洁：

import numpy as np
import time

# 模拟大尺寸图像
imageSize = 1000
image1 = np.zeros([imageSize, imageSize])
image2 = np.ones([imageSize, imageSize])
exposureTimes = np.array([1, 2])
target_exposure = 1.53

start_time = time.time()
# 计算插值权重
t = (target_exposure - exposureTimes[0]) / (exposureTimes[1] - exposureTimes[0])
# 向量化插值运算
interpolated_image = image1 * (1 - t) + image2 * t
end_time = time.time()

print(f'Runtime: {end_time - start_time:.4f} seconds')

方法二：利用np.interp的向量化能力 #

如果你更倾向于使用np.interp（比如未来可能扩展到多张曝光图像的插值），其实np.interp本身就支持向量化处理多维数组。当你传入的fp参数是多维数组时，np.interp会自动沿着最后一维进行插值——正好匹配我们imageStack的形状（高度×宽度×2）：

import numpy as np
import time

imageSize = 1000
image1 = np.zeros([imageSize, imageSize])
image2 = np.ones([imageSize, imageSize])
imageStack = np.dstack([image1, image2])
exposureTimes = np.array([1, 2])
target_exposure = 1.53

start_time = time.time()
# 直接对整个imageStack进行向量化插值
interpolated_image = np.interp(target_exposure, exposureTimes, imageStack)
end_time = time.time()

print(f'Runtime: {end_time - start_time:.4f} seconds')

为什么这两种方法更快？ #

• 原来的双重循环是在Python解释器层面逐像素执行，每个循环迭代都有额外的开销；
• 而向量化操作是在Numpy的底层C代码中执行，批量处理所有像素，完全避开了Python循环的额外消耗。在1000×1000的图像上，这两种方法的运行时间通常会降到0.01秒以内，和你之前的6秒相比提升非常明显。

内容的提问来源于stack exchange，提问作者hoeffler