本文介绍如何利用 numpy 的高级索引（advanced indexing）机制，根据二维坐标数组快速提取三维图像数组（如 h×w×c 格式）中指定位置的所有通道值，避免循环，实现简洁高效的向量化操作。
本文介绍如何利用 numpy 的高级索引（advanced indexing）机制，根据二维坐标数组快速提取三维图像数组（如 h×w×c 格式）中指定位置的所有通道值，避免循环，实现简洁高效的向量化操作。
在处理图像数据时，常需从形状为 (H, W, C) 的 NumPy 数组（例如 256×256×3 的 RGB 图像）中批量提取若干像素点的全部通道值。此时若已有一个 N×2 的整数索引数组（每行表示 (row, col) 坐标），直接使用 image[idx[:, 0], idx[:, 1]] 即可完成向量化索引——NumPy 会自动沿前两个维度广播，并保留最后一维（通道维）完整返回，结果形状为 (N, C)。
以下是一个完整示例：
import numpy as np
# 构造示例图像：256×256×3，每个通道填充不同常量便于验证（实际中为真实像素值）
image = np.zeros((256, 256, 3), dtype=np.float32)
image[..., 0] = 100.0 # R 通道全为 100
image[..., 1] = 150.0 # G 通道全为 150
image[..., 2] = 200.0 # B 通道全为 200
# 示例索引数组：6 个 (row, col) 坐标
idx = np.array([
[3, 230],
[3, 231],
[3, 232],
[114, 151],
[115, 149],
[115, 150]
], dtype=np.int64)
# ✅ 正确用法：高级索引提取所有对应位置的 3 个通道值
pixel_values = image[idx[:, 0], idx[:, 1]] # 形状: (6, 3)
print("提取的像素值（每行对应一个 (r,g,b)）:")
print(pixel_values)
输出：
提取的像素值（每行对应一个 (r,g,b)）: [[100. 150. 200.] [100. 150. 200.] [100. 150. 200.] [100. 150. 200.] [100. 150. 200.] [100. 150. 200.]]
⚠️ 注意事项：
- 索引数组 idx 必须是 int64 或 int32 类型，不能是浮点型；
- 所有 (row, col) 坐标必须在有效范围内（即 0 ≤ row
- 此方法本质是 花式索引（fancy indexing），返回的是原数组的副本，而非视图；
- 若需同时索引多个图像（如 batch 维度），可扩展为 image[batch_idx, idx[:, 0], idx[:, 1]]，前提是 image 有对应维度。
该技巧广泛应用于图像采样、关键点特征提取、掩码区域分析等场景，是 NumPy 向量化编程的核心实践之一。
