perf: Goodman 水体像素原地校正 + 行段跳跃大幅提速大尺度影像

核心优化 (消除 ~95% 的无效计算):

1. 原地校正 (in-place on water pixels only):
   旧: corrected = R - R_750 + A + B*diff (全图 86M 像素)
        np.where(water, corrected, R) (再分配 329MB)
   新: R[water] = R[water] - R_750[water] + A + B*diff[water]
        (仅水体像素, 零额外分配, 无 np.where)
   效果: 水体占 5% 时, 浮点运算减少 20×, 中间数组消除

2. 行段跳跃 (water row ranges):
   预计算含水行段, 纯陆地行直接跳过不做任何计算
   水域 < 50% 时自动启用 (_find_water_row_ranges)

3. SIMD 友好路径 (无掩膜时):
   np.subtract/add(..., out=R) 替代表达式
   避免临时中间数组, 利用 NumPy SIMD 向量化

预期效果 (6522×13215×150, 水体 10%):
  每波段耗时: ~62s → 估计 ~25-35s (计算部分加速 ~20×)
  IO 仍然占主导 (~15-20s 读+写 329MB)

src/core/glint_removal/Goodman.py

@@ -21,6 +21,28 @@ except ImportError:
 # 检测是否在 PyInstaller 打包环境（无控制台）
 _is_frozen_gui = getattr(sys, "frozen", False) and (not hasattr(sys, 'stdout') or sys.stdout is None)
 
+
+def _find_water_row_ranges(water_rows):
+    """将含水行 bool 数组压缩为连续行段列表 [(start, end), ...]
+
+    例如 [False, True, True, False, True] → [(1,3), (4,5)]
+    用于行段跳跃优化：完全无水体的行段直接跳过，不做任何计算。
+    """
+    ranges = []
+    in_range = False
+    start = 0
+    n = len(water_rows)
+    for i in range(n + 1):
+        has_water = water_rows[i] if i < n else False
+        if has_water and not in_range:
+            start = i
+            in_range = True
+        elif not has_water and in_range:
+            ranges.append((start, i))
+            in_range = False
+    return ranges
+
+
 class Goodman:
     def __init__(self, im_aligned, NIR_lower = 25, NIR_upper = 37, A = 0.000019, B = 0.1, 
                  use_gdal=True, chunk_size=None, water_mask=None, output_path=None):
@@ -190,46 +212,85 @@ class Goodman:
             corrected_bands.append(corrected_band)
         return corrected_bands
 
-    def _get_corrected_bands_gdal(self):
+    def _get_corrected_bands_gdal(self, out_dataset=None):
         """
-        使用GDAL逐波段处理，直接处理整个波段（不分块）
-        
-        内存峰值 = NIR波段(2个) + 当前处理的波段(1个) + 已处理的波段(累积在列表中)
+        逐波段 GDAL 校正处理（性能优化版）。
+
+        优化策略:
+          1. 原地校正: 直接在 R 的水体像素上修改，零副本
+          2. 仅水体计算: 校正公式仅在 water==True 的像素上执行
+          3. 无 np.where: 消除创建 329MB 中间数组的 where 操作
+          4. 行段跳跃: 水域 < 50% 时按含水行段分块处理，跳过纯陆地行
+
+        Args:
+            out_dataset: 提供→流式写入；None→累积返回(大图像慎用)
         """
-        corrected_bands = []
-        
         # 获取NIR波段对象（用于所有波段的校正）
-        band_640 = self.dataset.GetRasterBand(self.NIR_lower + 1)  # GDAL波段从1开始
+        band_640 = self.dataset.GetRasterBand(self.NIR_lower + 1)
         band_750 = self.dataset.GetRasterBand(self.NIR_upper + 1)
-        
-        # 先读取NIR波段（用于所有波段的校正，会一直保存在内存中）
+
+        # 读取NIR波段（全程保留在内存中）
         R_640 = band_640.ReadAsArray().astype(np.float32)
         R_750 = band_750.ReadAsArray().astype(np.float32)
         diff_640_750 = R_640 - R_750
-        
-        # 获取水域掩膜
-        water_mask_bool = self.water_mask.astype(bool) if self.water_mask is not None else None
-        
-        # 逐波段处理：每次只读取和处理一个波段
-        for i in tqdm(range(self.n_bands), desc="处理波段 (GDAL)", total=self.n_bands, disable=_is_frozen_gui):
-            # 读取当前波段（只加载一个波段到内存）
+        del R_640  # 释放不再需要的 R_640
+
+        # 水域掩膜 + 水体占比检测（控制行段跳跃模式）
+        water = self.water_mask.astype(bool) if self.water_mask is not None else None
+        water_pct = (100.0 * np.count_nonzero(water) / water.size) if water is not None else 100.0
+
+        # 行段跳跃: 水域占比 < 50% 时启用
+        _use_row_skip = (water is not None and water_pct < 50.0)
+        if _use_row_skip:
+            water_rows_flag = np.any(water, axis=1)
+            _water_row_ranges = _find_water_row_ranges(water_rows_flag)
+            _n_water_rows = int(np.sum(water_rows_flag))
+            print(f"  [性能] 水域占比 {water_pct:.1f}%，行段跳跃模式："
+                  f"{len(_water_row_ranges)} 个含水段 (覆盖 {_n_water_rows}/{self.height} 行)")
+
+        streaming = (out_dataset is not None)
+        corrected_bands = [] if not streaming else None
+
+        # 逐波段处理
+        for i in tqdm(range(self.n_bands), desc="处理波段 (GDAL)",
+                       total=self.n_bands, disable=_is_frozen_gui):
             current_band = self.dataset.GetRasterBand(i + 1)
-            R = current_band.ReadAsArray().astype(np.float32)
-            
-            # 校正计算
-            corrected_band = R - R_750 + self.A + self.B * diff_640_750
-            np.maximum(corrected_band, 0, out=corrected_band)
-            
-            # 如果存在水域掩膜，只对水域区域应用校正
-            if water_mask_bool is not None:
-                corrected_band = np.where(water_mask_bool, corrected_band, R)
-            
-            # 添加到结果列表（corrected_band会保留在列表中）
-            corrected_bands.append(corrected_band)
-            
-            # 释放当前波段数据（显式删除有助于及时释放内存）
-            del R
-        
+
+            if _use_row_skip:
+                # ◆ 行段跳跃模式：读全波段 → 仅在水体行段上原地校正
+                R = current_band.ReadAsArray().astype(np.float32)
+                for r0, r1 in _water_row_ranges:
+                    rs, w = slice(r0, r1), water[r0:r1, :]
+                    Rs = R[rs, :]
+                    Rs[w] = (Rs[w] - R_750[rs, :][w] + self.A
+                             + self.B * diff_640_750[rs, :][w])
+                    np.maximum(Rs[w], 0, out=Rs[w])
+                    del Rs
+            else:
+                R = current_band.ReadAsArray().astype(np.float32)
+                if water is not None:
+                    # ◆ 全图模式 + 掩膜：原地校正仅水体像素（零额外分配）
+                    R[water] = (R[water] - R_750[water] + self.A
+                                + self.B * diff_640_750[water])
+                    np.maximum(R[water], 0, out=R[water])
+                else:
+                    # ◆ 无掩膜：全图校正（最快 SIMD 路径）
+                    np.subtract(R, R_750, out=R)
+                    np.add(R, self.A, out=R)
+                    np.add(R, self.B * diff_640_750, out=R)
+                    np.maximum(R, 0, out=R)
+
+            if streaming:
+                out_band = out_dataset.GetRasterBand(i + 1)
+                out_band.WriteArray(R)
+                out_band.FlushCache()
+                del R
+            else:
+                corrected_bands.append(R)
+
+        # 清理
+        del R_750, diff_640_750
+
         return corrected_bands
 
     def _get_corrected_bands_gdal_mem(self):
@@ -339,32 +400,75 @@ class Goodman:
 
     def get_corrected_bands(self):
         """
-        获取校正后的波段
-        根据输入类型和大小自动选择最优处理方法
-        
-        :return: 校正后的波段列表
+        获取校正后的波段（自动选择最优处理模式）
+
+        内存优化: 当 output_path 已设置时，使用流式模式逐波段直接写入磁盘，
+        避免在内存中累积全部波段（对 6522×13215×150 的大影像可节省 ~46 GB）。
+
+        :return: 校正后的波段列表（流式模式返回 None，波段已在输出文件中）
         """
-        # 如果输入是文件路径，使用GDAL直接读取
+        # ── 流式模式：output_path 已设置 → 逐波段处理+立即写入 → 零累积 ──
+        if self.output_path is not None:
+            return self._get_corrected_bands_streaming()
+
+        # ── 传统模式：output_path 为空 → 返回波段列表 ──
         if self.is_file_path:
             if self.use_gdal:
-                corrected_bands = self._get_corrected_bands_gdal()
+                return self._get_corrected_bands_gdal(out_dataset=None)
             else:
                 raise ValueError("输入为文件路径时，必须安装GDAL")
         else:
-            # 如果输入是numpy数组
             if self.use_gdal and self.height * self.width * self.n_bands > 100000000:
-                # 大图像使用GDAL内存驱动逐波段处理
-                corrected_bands = self._get_corrected_bands_gdal_mem()
+                return self._get_corrected_bands_gdal_mem()
             else:
-                # 小图像使用numpy直接处理
-                corrected_bands = self._get_corrected_bands_numpy()
-        
-        # 如果提供了输出路径，保存结果
-        if self.output_path is not None:
-            self._save_corrected_bands(corrected_bands)
-        
-        return corrected_bands
+                return self._get_corrected_bands_numpy()
     
+    def _get_corrected_bands_streaming(self):
+        """流式处理：逐波段校正并直接写入输出文件，不累积内存
+
+        适用于大尺度影像（如 6522×13215×150）。
+        内存峰值 ≈ 3 个全波段数组（NIR×2 + 当前波段），而非全部 150 个波段。
+
+        :return: None（波段已在输出文件中）
+        """
+        import os
+
+        # ── 创建输出文件 ──
+        base_path, ext = os.path.splitext(self.output_path)
+        bsq_path = base_path + '.bsq' if ext.lower() != '.bsq' else self.output_path
+        output_dir = os.path.dirname(bsq_path)
+        if output_dir and not os.path.exists(output_dir):
+            os.makedirs(output_dir, exist_ok=True)
+
+        driver = gdal.GetDriverByName('ENVI')
+        out_ds = driver.Create(
+            bsq_path, self.width, self.height, self.n_bands, gdal.GDT_Float32
+        )
+        if out_ds is None:
+            raise ValueError(f"无法创建输出文件: {bsq_path}")
+
+        # ── 设置地理参考 ──
+        if self.is_file_path and self.dataset is not None:
+            out_ds.SetGeoTransform(self.dataset.GetGeoTransform())
+            out_ds.SetProjection(self.dataset.GetProjection())
+
+        try:
+            # 逐波段处理 + 立即写入（波段在 _get_corrected_bands_gdal 的循环中
+            # 由 WriteArray 写入 → FlushCache → del，不会累积）
+            self._get_corrected_bands_gdal(out_dataset=out_ds)
+        finally:
+            out_ds = None  # 关闭文件，确保数据落盘
+
+        # ── 日志 ──
+        hdr_path = bsq_path + '.hdr'
+        if os.path.exists(hdr_path):
+            print(f"校正后的图像已保存至: {bsq_path} (BSQ格式, 流式写入)")
+        else:
+            print(f"校正后的图像已保存至: {bsq_path} (BSQ格式)")
+            print("警告: 未检测到.hdr文件，但GDAL应该已自动创建")
+
+        return None
+
     def __del__(self):
         """清理资源"""
         if self.dataset is not None and self.is_file_path:

src/core/steps/glint_removal_step.py

@@ -300,7 +300,8 @@ class GlintRemovalStep:
             )
             corrected_bands = goodman.get_corrected_bands()
 
-            if not Path(hardcoded_bsq).exists():
+            # 流式模式（大图）：波段已由 Goodman 直接写入磁盘，返回 None
+            if corrected_bands is not None and not Path(hardcoded_bsq).exists():
                 _save_bands_as_image(corrected_bands, hardcoded_bsq, geotransform, projection)
             _copy_hdr_info(img_path, hardcoded_bsq)
             del corrected_bands