如何高效实现基于RGB计数奇偶性的Numpy图像编辑及末行排除

原代码核心问题 #

1. 三重循环遍历所有可能的RGB组合（约1600万种），但绝大多数组合在图像中不存在，完全浪费计算资源，导致效率极低
2. 对CE和CO的赋值逻辑错误（C是标量，无法用索引取值）
3. 未实现奇数次数下排除最后一行的修改逻辑

优化后的代码 #

from PIL import Image
import numpy as np

path = "insert_path_here"
A = np.array(Image.open(path).convert('RGB'))
height, width = A.shape[:2]

# 将RGB像素转换为唯一整数，快速分组统计
rgb_flat = A[..., 0] * (256 ** 2) + A[..., 1] * 256 + A[..., 2]

# 获取图像中实际存在的RGB值及其出现次数
unique_rgbs, counts = np.unique(rgb_flat, return_counts=True)

for rgb, count in zip(unique_rgbs, counts):
    # 将整数转回原始RGB分量
    r = (rgb // (256 ** 2)) % 256
    g = (rgb // 256) % 256
    b = rgb % 256
    
    # 生成该RGB值的像素掩码
    mask = (rgb_flat == rgb).reshape(height, width)
    
    if count % 2 == 0:
        # 出现次数为偶数：修改所有该RGB像素
        A[mask] = [1, 1, 1]
    else:
        # 出现次数为奇数：排除最后一行的该RGB像素
        # 获取该RGB所有像素的行索引
        rows = np.where(mask)[0]
        last_row = rows[-1]
        # 创建排除最后一行的二维掩码
        row_exclude_mask = np.arange(height) != last_row
        target_mask = mask & row_exclude_mask[:, np.newaxis]
        # 修改目标像素
        A[target_mask] = [255, 255, 255]

Image.fromarray(A).save('NEWIMG.PNG')

关键优化点 #

• 移除无效循环：仅处理图像中实际存在的RGB值，数量最多等于图像总像素数（通常远小于），处理1366×768图像仅需几秒到几十秒
• 向量化计算：所有掩码生成、像素修改均使用Numpy向量化操作，避免逐元素循环的低效
• 精准实现奇数逻辑：通过定位该RGB值出现的最后一行，生成排除该行的掩码，精准控制修改范围
• 高效统计：用np.unique一次性获取所有存在的RGB值及其出现次数，避免重复计算

注意事项 #

• 若某RGB值仅出现1次（奇数），则不会修改任何像素（符合“排除最后一行”的逻辑）
• 转换RGB为整数的方式安全可靠，不会出现数值溢出问题
• 已兼容RGB格式图像，若原图像为RGBA，convert('RGB')已完成格式转换

内容的提问来源于stack exchange，提问作者Zerhat