为何使用Reduce+Lambda与mean计算图像像素均值结果不同？

你遇到的差异本质上是因为这两行代码计算的是完全不同的统计量，我们来逐一拆解：

1. reduce(lambda x, y: x + y, eachPix[:3]) / len(eachPix[:3]) 的行为 #

假设你的eachPix是一行像素的列表（每个像素是RGB三通道的数组/元组）：

• eachPix[:3] 取的是该行的前3个像素；
• reduce(lambda x,y: x+y, ...) 会把这3个像素的对应通道逐个相加，最终得到一个三元素数组，比如 [R1+R2+R3, G1+G2+G3, B1+B2+B3]；
• 除以3之后，得到的是这3个像素每个通道的独立平均值（即RGB三个分开的均值），你看到的80.3应该是其中某一个通道的均值（比如红色通道）。

2. np.mean(eachPix[:3]) 的行为 #

numpy.mean() 默认会把输入的多维数组拉平成一维再计算全局平均值：

• eachPix[:3] 同样是前3个像素（对应形状为 (3,3) 的数组）；
• np.mean() 会把这9个数值（3像素 × 3通道）全部加起来，再除以9，得到的是这3个像素所有通道值的全局算术平均。如果你的RGB通道值差异较大（比如R通道偏低、G/B通道偏高），这个全局均值就会和单个通道的均值相差很大，比如你得到的165。

如何修正到你想要的结果 #

如果你想计算每行像素的平均RGB值（每个通道单独求均值），可以用：

# 对每行的所有像素，按通道维度求均值
row_avg_rgb = np.mean(eachPix, axis=0)

如果你想计算每行像素的灰度均值（符合人眼感知的灰度转换），可以用加权平均：

# 按照RGB转灰度的标准权重计算
row_gray_avg = np.mean(0.2989*eachPix[:,0] + 0.5870*eachPix[:,1] + 0.1140*eachPix[:,2])

如果你只是想和reduce的结果对齐（计算前3个像素的通道均值），可以指定mean的轴参数：

# 和reduce方法的结果完全一致，计算前3个像素的每个通道均值
np.mean(eachPix[:3], axis=0)

内容的提问来源于stack exchange，提问作者user3762120