本文介绍如何利用 SciPy 的 convolve 函数替代手动位移拼接，将非零值的8方向邻域扩展（即“缓冲区”）计算速度提升数倍至数十倍，适用于大规模二维 NumPy 数组。
本文介绍如何利用 scipy 的 `convolve` 函数替代手动位移拼接，将非零值的8方向邻域扩展（即“缓冲区”）计算速度提升数倍至数十倍，适用于大规模二维 numpy 数组。
在图像处理、地理空间分析和稀疏矩阵邻域建模等场景中，常需快速标记“与任意非零元素相邻（含对角线）”的位置——即为每个非零值生成一个 3×3 的全1缓冲区。原始方法通过 Python 列表推导 + 多次 shift_array 模拟位移并取最大值，不仅代码冗长、内存开销大（需保存8个临时数组），且时间复杂度高（O(9×N²) 显式循环），难以扩展到百万级像素阵列。
更优解是使用二维卷积（2D convolution）：将输入二值化后，与一个 3×3 全1卷积核进行相关运算，再对结果做阈值判断。该操作本质是统计每个位置周围 3×3 区域内非零元素个数，只要 ≥1 即标记为1——这正是所需逻辑。
以下是优化后的高性能实现：
import numpy as np
from scipy.ndimage import convolve
def create_neighborhood_buffer(arr):
"""
为输入二维数组生成8邻域缓冲区（Moore邻域）。
Parameters
----------
arr : np.ndarray, shape (M, N)
输入二维数组（支持任意数值类型）
Returns
-------
np.ndarray, shape (M, N), dtype=bool or int
输出布尔数组：True 表示该位置与至少一个非零值相邻（含自身）
（可选：`.astype(int)` 转为0/1整数）
"""
# 步骤1：二值化——仅保留非零位置信息
binary = arr != 0
# 步骤2：定义3×3全1卷积核（覆盖中心+8个邻居）
kernel = np.ones((3, 3), dtype=int)
# 步骤3：执行卷积（默认 mode='reflect'，但此处推荐 'constant' 避免边界伪影）
# 使用 mode='constant' 并设 cval=0，确保边界外补零
convolved = convolve(binary, kernel, mode='constant', cval=0)
# 步骤4：阈值化——只要邻域内存在至少一个非零，结果即为True
return convolved > 0
# 示例验证
arr = np.array([[10, 0, 0, 0, 0],
[ 0, 0, 2, 0, 0],
[ 0, 0, 0, 0, 0]])
result = create_neighborhood_buffer(arr)
print(result.astype(int))
输出：
[[1 1 1 1 0] [1 1 1 1 0] [0 1 1 1 0]]
✅ 性能优势显著：
- 时间复杂度降至 O(M×N)，底层由 C/Fortran 优化实现；
- 内存友好：仅需 2 个额外数组（binary 和 convolved），无需存储8个位移副本；
- 自动处理边界：mode='constant' 确保边缘位置正确补零，避免越界错误；
- 可无缝扩展：支持 float32/int64 等任意 dtype，且对超大数组（如 4096×4096）仍保持毫秒级响应。
⚠️ 注意事项：
- 若需严格排除“自身为非零”的情况（即仅标记“邻居”，不含中心点），应先将 binary 中的中心位清零（例如 binary_no_center = binary.copy(); binary_no_center[arr != 0] = False），再卷积；
- 对于极高分辨率数据，可考虑 scipy.ndimage.maximum_filter（等价于卷积+max），其针对此类布尔膨胀任务做了进一步优化；
- 避免使用 np.where(arr>0, 1, 0) —— 直接 arr != 0 更简洁、更安全（兼容负数、浮点零等）。
综上，用 scipy.ndimage.convolve 替代手工位移，是解决此类邻域膨胀问题的标准、高效且可维护的方案。
