本文介绍了如何使用 NumPy 快速随机化图像的像素。通过对比 np.random.shuffle 和 np.random.permutation 的性能，展示了使用后者可以显著提升图像像素随机化的速度。同时，还探讨了使用 NumPy 的 Generator 进行排列的可能性，并提供了示例代码和性能比较，帮助读者选择最适合自己需求的方案。
在图像处理中，有时需要对图像的像素进行随机排列。NumPy 提供了多种方法来实现这一目标，但不同的方法在性能上可能存在差异。本文将介绍几种常用的方法，并分析它们的性能特点，帮助你选择最适合自己需求的方案。
方法一：使用 np.random.shuffle
np.random.shuffle 函数可以直接对 NumPy 数组进行原地随机排序。以下是一个示例：
import numpy as np
import time
def randomize_image(img):
# 将图像从 (m,n,3) 转换为 (N,3)
rndImg = np.reshape(img, (img.shape[0]*img.shape[1], img.shape[2]))
start_time = time.perf_counter()
np.random.shuffle(rndImg)
end_time = time.perf_counter()
print('Time random shuffle: ', end_time - start_time)
rndImg = np.reshape(rndImg, img.shape)
return rndImg该方法简单易懂，但对于大型图像，其性能可能成为瓶颈。
方法二：使用 np.random.permutation
np.random.permutation 函数生成一个随机排列的索引数组，然后可以使用该数组来重新排列图像的像素。这种方法通常比 np.random.shuffle 更快。
import numpy as np
def randomize_image2(img):
# 将图像从 (m,n,3) 转换为 (N,3)
rndImg = np.reshape(img, (-1, img.shape[2]))
i = np.random.permutation(len(rndImg))
rndImg = rndImg[i, :]
rndImg = np.reshape(rndImg, img.shape)
return rndImg在这个例子中，-1 用于 np.reshape，表示 NumPy 会自动计算该维度的大小，使得总元素数量保持不变。
性能比较
为了比较两种方法的性能，可以使用 timeit 模块进行测试。
m, n = 1000, 1000
img = np.arange(m*n*3).reshape(m, n, 3)
# 假设 randomize_image 和 randomize_image2 已经定义
# %timeit randomize_image(img) # 在 Jupyter Notebook 或 IPython 中使用
# %timeit randomize_image2(img) # 在 Jupyter Notebook 或 IPython 中使用
# 为了在标准 Python 环境中运行，可以使用 timeit 模块
import timeit
time_shuffle = timeit.timeit(lambda: randomize_image(img), number=10)
print(f"Time for shuffle: {time_shuffle/10:.4f} seconds")
time_permutation = timeit.timeit(lambda: randomize_image2(img), number=10)
print(f"Time for permutation: {time_permutation/10:.4f} seconds")测试结果表明，使用 np.random.permutation 的方法通常比使用 np.random.shuffle 的方法快得多。
方法三：使用 NumPy Generator
NumPy 的 Generator 提供了更高级的随机数生成功能。在某些情况下，使用 Generator 进行排列可能比 np.random.permutation 更快。
import numpy as np
# 在函数外部创建 Generator 对象
rng = np.random.default_rng()
def randomize_image3(img):
# 将图像从 (m,n,3) 转换为 (N,3)
rndImg = np.reshape(img, (-1, img.shape[2]))
i = rng.permutation(len(rndImg))
rndImg = rndImg[i, :]
rndImg = np.reshape(rndImg, img.shape)
return rndImg注意: 将 rng = np.random.default_rng() 放在函数外部，避免每次调用函数时都重新创建 Generator 对象，这会显著提高性能。
总结
本文介绍了三种使用 NumPy 随机化图像像素的方法，并比较了它们的性能。在大多数情况下，使用 np.random.permutation 比 np.random.shuffle 更快。对于大型图像，可以考虑使用 NumPy 的 Generator。在选择方法时，应根据图像的大小和性能需求进行权衡。
