如何从1000×1000图像中高效提取像素坐标与对应值

你的代码速度慢的核心原因是双重循环+每次遍历全数组的逻辑索引——1000×1000=100万像素，每次循环都要扫描100万个元素匹配坐标，时间复杂度是O(N²)，完全不可行。用numpy的向量化操作可以把速度提升几个数量级，以下是两种高效实现方式：

方法一：与原代码输出顺序完全一致 #

如果需要严格保持原代码中「先遍历x（列），再遍历y（行）」的顺序，可以用np.repeat和np.tile生成坐标，配合列优先展平的图像数值：

import numpy as np

img = np.random.rand(1000, 1000)

# 生成x坐标：每个列索引重复1000次（对应所有行）
x_coords = np.repeat(np.arange(img.shape[1]), img.shape[0])
# 生成y坐标：行索引0-999重复1000次（对应每一列）
y_coords = np.tile(np.arange(img.shape[0]), img.shape[1])
# 按列优先展平图像数值（匹配原代码的赋值顺序）
pixel_values = img.flatten('F')

# 拼接成N×3的数组
xy = np.column_stack((x_coords, y_coords, pixel_values))

方法二：行优先顺序（更符合numpy默认行为） #

如果不需要严格匹配原代码的顺序，行优先的实现更简洁，速度几乎无差异：

import numpy as np

img = np.random.rand(1000, 1000)

# 获取行(y)和列(x)的索引网格
y_indices, x_indices = np.indices(img.shape)
# 展平所有数组
x_flat = x_indices.flatten()
y_flat = y_indices.flatten()
values_flat = img.flatten()

# 拼接结果
xy = np.column_stack((x_flat, y_flat, values_flat))

为什么这些方法更快？ #

所有操作都是numpy底层的向量化运算，完全避免了Python层面的循环，所有计算在C语言级别完成，处理100万元素仅需几毫秒，而原代码的循环方式可能需要几分钟甚至更久。

内容的提问来源于stack exchange，提问作者mri