如何用NumPy高效创建多维掩码以替换图像特定颜色？

我尝试用以下代码替换图像中的特定颜色：

mask = img == color
img[mask] = newcolor

但这段代码会触发错误：

TypeError: NumPy boolean array indexing assignment requires a 0 or 1-dimensional input, input has 2 dimensions

原因是img == color生成的是三维布尔数组（对应图像的高、宽、通道数），直接用于索引赋值时不符合NumPy的要求。

用循环可以解决问题，但效率极低：

mask = np.zeros(img.shape[:2]).reshape(-1).astype(np.bool_)
for i, m in enumerate((img == np.array(color)).reshape(-1, len(img[0,0]))):
        mask[i] = np.sum(m) == len(img[0,0])

虽然OpenCV的cv2.inRange可以直接生成掩码，但这里只使用NumPy实现高效的颜色替换，有两种常用方法：

方法1：用np.all()判断全通道匹配 #

# img为形状(H, W, 3)的彩色图像数组，color为长度3的颜色数组（如[255,0,0]）
mask = np.all(img == color, axis=-1)
img[mask] = newcolor

img == color会生成和图像同形状的三维布尔数组，np.all(..., axis=-1)沿着通道轴（最后一维）判断每个像素的所有通道是否都匹配目标颜色，最终得到二维的布尔掩码，直接用于索引赋值即可。

方法2：基于平方差的匹配（支持容差） #

如果需要允许一定的颜色误差，可通过计算像素与目标颜色的平方差之和实现：

threshold = 0  # 阈值为0时等价于全通道严格匹配
mask = np.sum((img - color)**2, axis=-1) <= threshold
img[mask] = newcolor

这种方式不仅能实现严格匹配，还能灵活设置阈值处理颜色偏差的情况。

以上两种方法都是NumPy向量运算，比循环实现效率提升显著，尤其适合处理大尺寸图像。

内容的提问来源于stack exchange，提问作者kusocodeing