【77】积分图像：快速计算矩形区域和核心逻辑

本文从Python开发者视角解析「积分图像」技术------1984年由Frank Crow提出的预处理方法，通过一次遍历生成积分图，即可用常量时间计算任意矩形区域的像素和，彻底解决图像处理中反复计算区域和的性能痛点。我们用直观例子讲清原理，再通过Python代码演示落地，帮你理解它在模糊、检测等任务中的加速魔法。

一、为什么需要积分图像？

在计算机视觉中，计算图像区域和是高频操作：

均值模糊要算每个像素邻域的平均；
人脸检测要算Haar特征的矩形区域差；
边缘提取要算局部梯度的区域统计。

如果直接遍历每个区域计算，时间复杂度是O(H×W×K)（H/W为图像宽高，K为区域数量）------对于1080P图像和百万次查询，这会慢到无法接受。

积分图像的核心价值在于：用一次O(H×W)的预处理，换后续无限次O(1)的区域和查询。不管区域多大，查一次就出结果。

二、积分图像是什么？

积分图像是原始图像的预处理结果，定义为：

对于原始图像的每个位置(x,y)，积分图像对应位置的值是原始图像左上角到(x,y)的所有像素的和。

为了统一边界计算，我们会对原始图像做边界扩展 ：在左边加一列全0，上边加一行全0，形成扩展图像ext_Raw。积分图像Int与ext_Raw大小相同，每个像素Int[x][y]代表ext_Raw中从(0,0)到(x,y)的区域和（坐标从0开始）。

举个直观例子

假设原始图像是2×2的数组（坐标从1开始）：Raw= $1524$ Raw = \begin{bmatrix} 1 & 5 \\ 2 & 4 \end{bmatrix}Raw= $1254$

扩展后的ext_Raw是3×3（第一行/列全0）：ext_Raw= $000015024$ ext\_Raw = \begin{bmatrix} 0 & 0 & 0 \\ 0 & 1 & 5 \\ 0 & 2 & 4 \end{bmatrix}ext_Raw= 000012054

对应的积分图像Int为：Int= $0000160312$ Int = \begin{bmatrix} 0 & 0 & 0 \\ 0 & 1 & 6 \\ 0 & 3 & 12 \end{bmatrix}Int= 0000130612

其中：

Int[1][1] = 1（原始图像(1,1)的和）；
Int[1][2] = 1+5=6（原始图像(1,1)到(1,2)的和）；
Int[2][2] = 1+5+2+4=12（整个原始图像的和）。

三、积分图像的生成：递推公式与Python实现

生成积分图像的关键是逐点递推 ，核心公式为：Int $x$ $y$ =ext_Raw $x$ $y$ +Int $x-1$ $y$ +Int $x$ $y-1$ −Int $x-1$ $y-1$ Int $x$ $y$ = ext\_Raw $x$ $y$ + Int $x-1$ $y$ + Int $x$ $y-1$ - Int $x-1$ $y-1$ Int $x$ $y$ =ext_Raw $x$ $y$ +Int $x-1$ $y$ +Int $x$ $y-1$ −Int $x-1$ $y-1$

公式解读：

ext_Raw[x][y]：当前位置的原始像素值；
Int[x-1][y]：当前位置正上方所有像素的累积和；
Int[x][y-1]：当前位置正左方所有像素的累积和；
- Int[x-1][y-1]：前两步重复计算了左上角区域，需减去重叠部分。

Python代码实现生成逻辑

我们用numpy实现积分图像的生成（兼顾效率与可读性）：

python 复制代码

import numpy as np

def generate_integral_image(raw_image):
    """生成扩展后的积分图像"""
    H, W = raw_image.shape
    # 扩展边界：第一行/列全0
    ext_raw = np.zeros((H + 1, W + 1), dtype=np.int32)
    ext_raw[1:H+1, 1:W+1] = raw_image

    integral = np.zeros_like(ext_raw)
    # 逐行递推：先算行内前缀和，再加上方行的积分值
    for x in range(1, H+1):
        row_sum = 0  # 行内累加和
        for y in range(1, W+1):
            row_sum += ext_raw[x][y]
            integral[x][y] = integral[x-1][y] + row_sum
    return integral

# 测试：生成2×2原始图像的积分图
raw = np.array([[1, 5], [2, 4]])
integral = generate_integral_image(raw)
print("积分图像：")
print(integral)

输出结果与之前的例子完全一致：

复制代码

积分图像：
[[ 0  0  0]
 [ 0  1  6]
 [ 0  3 12]]

四、如何用积分图像计算任意区域和？

积分图像的终极目标是快速计算任意矩形区域的和 。假设我们要算原始图像中左上角(a,b)、右下角(c,d)的矩形区域和（原始坐标从1开始），只需用积分图像的四个角点值组合：

区域和=Int $c+1$ $d+1$ −Int $a$ $b$ −Int $c+1$ $b$ +Int $a$ $d+1$ 区域和 = Int $c+1$ $d+1$ - Int $a$ $b$ - Int $c+1$ $b$ + Int $a$ $d+1$ 区域和=Int $c+1$ $d+1$ −Int $a$ $b$ −Int $c+1$ $b$ +Int $a$ $d+1$

公式的几何意义

参考【在此处插入蓝色区域的几何示意图】，公式逻辑为：

Int[c+1][d+1]：整个大区域（原始图像到(c,d)）的和；
减去Int[a][b]：去掉大区域上方的无关区域；
减去Int[c+1][b]：去掉大区域左方的无关区域；
加上Int[a][d+1]：补回重复减去的左上角重叠区域。

举个例子：计算单个像素值

如果要算原始图像中(2,2)点的像素值（区域是(2,2)到(2,2)），代入公式得：像素值=Int $3$ $3$ −Int $2$ $2$ −Int $3$ $2$ +Int $2$ $3$ =12−3−6+1=4像素值 = Int $3$ $3$ - Int $2$ $2$ - Int $3$ $2$ + Int $2$ $3$ = 12 - 3 - 6 + 1 = 4像素值=Int $3$ $3$ −Int $2$ $2$ −Int $3$ $2$ +Int $2$ $3$ =12−3−6+1=4

结果与原始图像一致！

五、Python实战：计算任意区域和

我们扩展代码，实现区域和的计算：

python 复制代码

def get_region_sum(integral, a, b, c, d):
    """计算原始图像中矩形区域的和"""
    # 转换为积分图像的坐标（扩展后的）
    x1, y1 = a, b
    x2, y2 = c + 1, d + 1
    return integral[x2][y2] - integral[x1][y1] - integral[x2][y1] + integral[x1][y2]

# 测试：计算区域(1,2)-(2,2)的和（5+4=9）
region_sum = get_region_sum(integral, 1, 2, 2, 2)
print("区域(1,2)-(2,2)的和：", region_sum)  # 输出9

六、积分图像的应用场景

积分图像的核心优势是空间换时间，典型应用包括：

均值滤波/高斯模糊：快速计算每个像素邻域的平均；
Haar特征检测：Viola-Jones人脸检测器的核心组件，用积分图快速计算矩形特征差；
边缘检测：如Sobel算子的梯度计算，需统计局部区域的像素变化；
对象检测：行人、车辆等目标的特征提取，需大量区域和计算。

总结

积分图像是计算机视觉中的"预处理神器"------用一次遍历生成积分图，就能把后续的区域和计算从"慢遍历"变成"秒查询"。本文用Python代码和直观例子讲清了它的原理：

边界扩展：统一计算逻辑；
递推公式：生成积分图像的核心；
区域和计算：四个角点的组合魔法。

如果你在做图像处理时遇到"反复计算区域和"的瓶颈，不妨试试积分图像------它可能会给你的代码带来数量级的速度提升！

获取更多资料

欢迎下载学习资料，包含：机器学习，深度学习，大模型，CV方向，NLP方向，kaggle大赛，实战项目、自动驾驶等。
"点击" 免费获取 。