OpenCV与Python中imadjust快速实现优化及替代方案问询

这种Python和MATLAB之间的速度差距其实很常见——MATLAB的很多图像处理函数底层是用优化过的C/C++实现的，而纯Python循环或者非矢量化的代码自然会慢很多。下面给你几个能大幅提升速度的方案：

1. 用NumPy矢量化操作替代纯Python循环 #

如果你的现有实现是用Python循环遍历每个像素，那换成NumPy的矢量化操作能直接把速度拉上来。比如带极端值截断的线性直方图拉伸可以写成这样：

import numpy as np

def histogram_stretch(image):
    # 截断1%的暗部和亮部像素，避免极端值影响拉伸效果
    p_low = np.percentile(image, 1)
    p_high = np.percentile(image, 99)
    # 矢量化完成像素值映射，全程无Python循环
    stretched = np.clip((image - p_low) / (p_high - p_low) * 255, 0, 255)
    return stretched.astype(np.uint8)

NumPy的所有核心操作都是底层C实现，完全避开了Python循环的开销，速度会比纯Python实现快几个数量级。

2. 调用OpenCV的优化函数 #

OpenCV的图像处理模块是完全用C++优化的，速度和MATLAB不相上下。对于直方图拉伸，你可以直接用cv2.normalize函数，指定NORM_MINMAX模式实现线性拉伸：

import cv2
import numpy as np

def fast_stretch(image):
    # 彩色图转灰度（如果输入已经是灰度可跳过）
    if len(image.shape) == 3:
        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 直接将像素值拉伸到0-255范围
    stretched = cv2.normalize(image, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)
    return stretched

如果需要截断极端值，先通过NumPy计算分位数，再调整输入范围后调用normalize，同样是矢量化操作，速度极快。

3. 用Pillow的ImageOps.autocontrast #

Pillow的ImageOps.autocontrast就是专门做直方图拉伸的工具函数，底层也是优化过的实现，用法非常简单：

from PIL import Image, ImageOps

def pillow_stretch(image_path):
    img = Image.open(image_path).convert('L')  # 转为灰度图
    # cutoff参数控制要截断的暗部/亮部像素百分比
    stretched_img = ImageOps.autocontrast(img, cutoff=1)
    return stretched_img

这个函数默认截断0.5%的极端像素，你可以通过cutoff参数调整，输出结果和手动实现的直方图拉伸完全一致，速度也很可观。

速度测试建议 #

你可以用timeit模块快速对比不同方法的耗时，比如：

import timeit

setup = "import numpy as np; from your_module import histogram_stretch; img = np.random.randint(0,255,(1080,1920), dtype=np.uint8)"
print(timeit.timeit("histogram_stretch(img)", setup=setup, number=10))

用这些优化后的方法，Python的耗时应该能降到和MATLAB接近的水平（甚至更快）。

内容的提问来源于stack exchange，提问作者Yannis