如何高效合并NumPy数组中多幅二进制图像的(x,y)像素值？

嘿，我明白你现在的困扰——嵌套循环处理这么大的图像尺寸，速度肯定慢得让人头疼。别担心，我们可以利用NumPy的向量化操作来彻底解决这个问题，把速度提升几个数量级。

首先，先明确你的images数组形状：假设它是(10, 1944, 2546)（10张图像，每张高1944、宽2546），如果你的数组形状不是这样，先调整到这个格式（比如如果是(1944,2546,10)，可以跳过转置步骤）。

下面给你两种高效的实现方法：

方法一：利用NumPy字符向量化操作 #

这种方法直接对字符数组进行拼接，逻辑直观：

import numpy as np

# 获取图像尺寸
height, width = images.shape[1], images.shape[2]

# 转置数组，让每个(x,y)位置的10个像素值排在最后一个维度：形状变为(1944, 2546, 10)
images_transposed = images.transpose(1, 2, 0)

# 将整数类型的0/1转换为字符'0'/'1'
char_images = np.char.mod('%d', images_transposed)

# 沿着最后一个维度拼接所有字符，得到每个位置的10位字符串
output = np.apply_along_axis(''.join, axis=2, arr=char_images)

方法二：二进制数值转换（速度更快） #

这种方法先把每个位置的10个像素值转换成十进制数，再转成10位二进制字符串，数值计算的效率比纯字符串操作更高：

import numpy as np

# 获取图像尺寸
height, width = images.shape[1], images.shape[2]

# 转置数组到(1944, 2546, 10)
images_transposed = images.transpose(1, 2, 0)

# 生成10位二进制对应的权重：[2^9, 2^8, ..., 2^0]
powers_of_two = 2 ** np.arange(9, -1, -1)

# 计算每个位置的十进制值（比如像素序列[1,0,1,...]对应1*512 + 0*256 + 1*128 + ...）
binary_values = np.dot(images_transposed, powers_of_two)

# 向量化转换函数：把十进制数转成10位二进制字符串，自动补前导零
vec_to_binary = np.vectorize(lambda x: format(x, '010b'))

# 生成最终的字符串数组
output = vec_to_binary(binary_values)

为什么这些方法比嵌套循环快？ #

• NumPy的向量化操作是在C语言层面执行的，完全避免了Python循环的巨大开销——你的原方法要执行近500万次Python循环，而向量化操作把这些循环都放到了底层优化的代码里，速度能提升几十甚至上百倍。
• 方法二中的dot乘积是NumPy高度优化的核心操作，比字符串拼接的效率更高，最后转字符串的步骤也用了vectorize，内部循环同样是C实现，比Python原生循环快很多。

注意事项 #

如果你的images是布尔类型（比如True/False），记得先转成整数：

images = images.astype(int)

内容的提问来源于stack exchange，提问作者J. Leung