Scipy Weave参数传递机制解析及Python 3.x代码改写咨询

一、原代码中weave.inline的变量传递逻辑 #

SciPy的weave模块（现已废弃）是用来在Python中嵌入C/C++代码的工具，它会自动帮你处理Python变量到C代码的映射，你看到的C代码里没有显式声明I、M、iter，是因为weave做了这些幕后工作：

• NumPy数组I和M：weave会自动为它们生成C语言的访问宏和维度信息：
  • I2(i,j)是weave生成的宏，用来访问二维数组I的第i行第j列元素；
  • NI是weave生成的数组，存储I的维度大小（NI[0]是行数，NI[1]是列数）；
  • 同理M2(i,j)对应数组M的访问宏。
• 标量iter：weave会把这个Python整数直接转换成C语言的int类型，所以你可以在C代码里直接用iter这个变量名。
• weave.inline(expr, ["I", "iter", "M"])的第二个参数就是告诉weave：把这三个Python变量暴露给C代码使用，它会自动完成类型转换、内存映射这些步骤。

二、Python 3.x的替代实现（用Numba） #

SciPy在1.0版本后就移除了weave模块，Python 3.x里没法再用它了。推荐用Numba来替代——它可以把Python循环编译成机器码，性能和原C代码差不多，而且写法更简单，不需要手动写C代码。

改写后的完整代码 #

import numpy as np
from numba import njit

@njit
def _thinning_iteration_numba(I, iter_val, M):
    rows, cols = I.shape
    # 遍历图像内部像素（避免边界）
    for i in range(1, rows - 1):
        for j in range(1, cols - 1):
            # 获取周围8个邻域像素的值
            p2 = I[i-1, j]
            p3 = I[i-1, j+1]
            p4 = I[i, j+1]
            p5 = I[i+1, j+1]
            p6 = I[i+1, j]
            p7 = I[i+1, j-1]
            p8 = I[i, j-1]
            p9 = I[i-1, j-1]
            
            # 计算A：邻域中0→1的跳变次数
            A = ((p2 == 0) & (p3 == 1)) + ((p3 == 0) & (p4 == 1)) + \
                ((p4 == 0) & (p5 == 1)) + ((p5 == 0) & (p6 == 1)) + \
                ((p6 == 0) & (p7 == 1)) + ((p7 == 0) & (p8 == 1)) + \
                ((p8 == 0) & (p9 == 1)) + ((p9 == 0) & (p2 == 1))
            # 计算B：邻域中非零像素的总数
            B = p2 + p3 + p4 + p5 + p6 + p7 + p8 + p9
            # 根据迭代次数选择m1和m2的计算方式
            if iter_val == 0:
                m1 = p2 * p4 * p6
                m2 = p4 * p6 * p8
            else:
                m1 = p2 * p4 * p8
                m2 = p2 * p6 * p8
            
            # 满足条件则标记为要删除的像素
            if A == 1 and 2 <= B <= 6 and m1 == 0 and m2 == 0:
                M[i, j] = 1

def _thinningIteration(im, iter_val):
    # 复制输入图像避免修改原数据
    I = im.copy()
    M = np.zeros(im.shape, np.uint8)
    # 调用Numba编译的函数
    _thinning_iteration_numba(I, iter_val, M)
    # 返回删除标记像素后的图像
    return (I & ~M)

改写说明 #

1. 替换weave为Numba：用@njit装饰器标记需要编译的函数，Numba会在第一次调用时把它编译成高效的机器码。
2. 变量传递更直观：I、iter_val（避免和Python内置iter关键字冲突）、M直接作为参数传给编译后的函数，不需要额外的映射处理。
3. 数组访问方式：用Python的NumPy数组索引I[i,j]代替weave的宏I2(i,j)，写法更符合Python习惯。

内容的提问来源于stack exchange，提问作者max