在事件相机数据处理、动态图像帧更新等场景中，我们经常会拿到一组包含像素坐标、时间戳、极性属性的数据，需要将这些数据批量写入二维图像数组对应的位置。如果使用循环逐个赋值，当数据量达到数万甚至数十万条时，执行效率会非常低，而向量化方式可以完美解决这个问题。
向量化赋值的核心思路
向量化赋值的本质是避开Python层面的显式循环，直接利用数组的索引和广播机制完成批量操作。对于二维图像数组的批量赋值，核心步骤分为三步：
- 提取所有待赋值像素的x、y坐标，确认坐标在图像数组的有效范围内
- 根据坐标直接定位到二维数组的对应位置
- 将时间戳、极性等属性值批量写入定位到的数组位置
基础实现示例
我们使用numpy库实现向量化操作，首先构造模拟数据：假设二维图像大小为480x640，有10000个待赋值的事件点，每个点包含x坐标、y坐标、时间戳、极性四个属性。
import numpy as np
# 构造模拟数据
np.random.seed(42)
img_height = 480
img_width = 640
num_events = 10000
# 生成随机坐标，确保坐标在图像范围内
x_coords = np.random.randint(0, img_width, size=num_events) # 列坐标，对应图像宽度维度
y_coords = np.random.randint(0, img_height, size=num_events) # 行坐标，对应图像高度维度
timestamps = np.random.uniform(0, 1000, size=num_events) # 时间戳，范围0-1000
polarities = np.random.choice([-1, 1], size=num_events) # 极性，取值为-1或1
# 初始化二维图像数组，这里用两个通道分别存时间戳和极性，也可以根据需求调整
img_timestamp = np.zeros((img_height, img_width), dtype=np.float32)
img_polarity = np.zeros((img_height, img_width), dtype=np.int8)
# 向量化批量赋值：直接通过坐标索引定位位置，批量写入值
# 注意numpy的索引格式是[行索引, 列索引]，对应[y_coords, x_coords]
img_timestamp[y_coords, x_coords] = timestamps
img_polarity[y_coords, x_coords] = polarities
# 验证赋值结果
print("赋值后的时间戳数组形状:", img_timestamp.shape)
print("前5个事件的坐标和写入的时间戳:")
for i in range(5):
print(f"坐标({x_coords[i]}, {y_coords[i]})，写入时间戳: {img_timestamp[y_coords[i], x_coords[i]]}")
坐标有效性过滤
实际场景中可能会出现坐标超出图像范围的情况，需要在赋值前过滤无效坐标，避免索引报错。我们可以通过布尔索引实现过滤：
# 过滤超出图像范围的坐标
valid_mask = (x_coords >= 0) & (x_coords < img_width) & (y_coords >= 0) & (y_coords < img_height)
valid_x = x_coords[valid_mask]
valid_y = y_coords[valid_mask]
valid_timestamps = timestamps[valid_mask]
valid_polarities = polarities[valid_mask]
# 对有效坐标进行向量化赋值
img_timestamp[valid_y, valid_x] = valid_timestamps
img_polarity[valid_y, valid_x] = valid_polarities
print(f"过滤前事件数: {num_events}，过滤后有效事件数: {valid_x.shape[0]}")
性能对比
我们将向量化方式和循环赋值方式做性能对比，循环赋值的实现如下：
# 循环赋值实现
img_loop_timestamp = np.zeros((img_height, img_width), dtype=np.float32)
img_loop_polarity = np.zeros((img_height, img_width), dtype=np.int8)
for i in range(num_events):
x = x_coords[i]
y = y_coords[i]
if 0 <= x < img_width and 0 <= y < img_height:
img_loop_timestamp[y, x] = timestamps[i]
img_loop_polarity[y, x] = polarities[i]
# 验证两种方式的结果是否一致
print("两种赋值方式结果是否一致:", np.allclose(img_timestamp, img_loop_timestamp) and np.array_equal(img_polarity, img_loop_polarity))
在实际测试中，10000条事件数据时，向量化方式的耗时可以比循环方式低一个数量级，当数据量提升到10万条以上时，性能差距会更加明显。
注意事项
- numpy的坐标索引顺序是
[行, 列]，对应图像的[y, x]，不要和常规的[x, y]顺序混淆，否则会出现赋值位置错误 - 如果同一个坐标有多个事件数据，后写入的值会覆盖之前的值，需要根据业务需求提前处理重复坐标的情况，比如取最新时间戳、合并极性等
- 如果图像数组的 dtype 和赋值数据的 dtype 不匹配，可能会出现精度丢失或报错，需要提前统一数据类型