做图像处理的人常遇到这样的情况：写好的算法在小图上跑得还行，一换大图就卡成幻灯片。很多人第一反应是优化算法逻辑，或者换更猛的硬件，其实问题可能出在数据结构的设计上。
别让数组拖了后腿
比如处理一张 4096×4096 的 RGBA 图像，如果用四维数组存储：[x][y][channel]，每次访问一个像素都要跳三次指针。更糟的是，内存布局不连续，缓存命中率低，CPU 跑得再快也白搭。改成一维数组按行存储，[y * width + x] * 4 + channel 定位，读取速度能提升好几倍。
/* 不推荐：多维嵌套 */
unsigned char ****image = malloc(width * sizeof(char***));
/* 推荐：线性存储 */
unsigned char *image = malloc(width * height * 4 * sizeof(unsigned char));
用对容器，遍历不再慢吞吞
在做边缘检测时，常需要遍历邻域像素。如果频繁从链表里取数据，每个节点分散在内存各处，速度自然上不去。换成环形缓冲区或滑动窗口结构，把最近几行像素缓存住，配合 SIMD 指令批量处理，效率明显改善。
还有些场景适合用稀疏矩阵。比如二值图像中只有少数边缘点是非零的，用普通二维数组存浪费空间。改用哈希表记录坐标 (x,y) -> value，遍历时只查有数据的点，省下大量无用扫描。
层级结构加速大图操作
缩略图生成是个典型例子。每次重算整图太费劲，可以提前建个图像金字塔。底层是原图，往上每层分辨率减半，存在连续内存块里。要快速预览时直接取顶层数据，连滤波都不用做。
// 简化示意：图像金字塔存储
struct ImagePyramid {
int levels;
unsigned char *data[8]; // 最多8层
int width[8], height[8];
};
这种结构在实现图像拼接、特征匹配时特别有用。先在低分辨率层粗略对齐，再逐级细化，避免一开始就全精度计算。
实际项目中的取舍
有个团队做实时美颜相机，最初用标准库的 vector 存中间结果，帧率始终上不去。后来发现频繁 resize 引发大量内存拷贝。换成预分配的内存池 + 双缓冲机制，交换数据就像翻页一样快，功耗还降了。
数据结构不是越复杂越好。有时候一个简单的查找表（LUT）就能替代一堆条件判断。比如颜色映射功能，与其写 if-else 判断每个像素值，不如提前算好映射数组，直接查表替换。