求更快的等效函数：移除二值掩码中孤立突出像素

原函数的性能瓶颈在于三重Python循环+逐窗口数组比较，处理大尺寸掩码时会产生巨大的Python层开销。以下是功能完全一致但速度显著提升的替代实现，核心思路是用numpy/OpenCV的向量化操作将循环转移到C层面执行：

纯Numpy实现（无额外依赖） #

import numpy as np

def create_sliding_windows(arr, window_shape=(3, 3)):
    arr_shape = np.array(arr.shape)
    window_shape = np.array(window_shape)
    # 计算滑动窗口的步幅和新形状
    strides = arr.strides + arr.strides
    new_shape = tuple(arr_shape - window_shape + 1) + tuple(window_shape)
    return np.lib.stride_tricks.as_strided(arr, shape=new_shape, strides=strides)

def remove_dots_fast(mask, mode='constant', cval=0):
    # 定义原函数中的4种匹配模式
    patterns = [
        np.array([[1, 0, 0],
                  [1, 1, 0],
                  [1, 0, 0]]),
       
        np.array([[0, 0, 1],
                  [0, 1, 1],
                  [0, 0, 1]]),
        
        np.array([[1, 1, 1],
                  [0, 1, 0],
                  [0, 0, 0]]),
        
        np.array([[0, 0, 0],
                  [0, 1, 0],
                  [1, 1, 1]])
    ]
    
    # 生成所有3x3滑动窗口
    windows = create_sliding_windows(mask)
    # 初始化掩码，标记需要置0的中心像素
    to_zero = np.zeros_like(mask, dtype=bool)
    
    for pat in patterns:
        # 向量化比较所有窗口与当前模式，得到匹配位置
        matches = np.all(windows == pat, axis=(2, 3))
        # 将匹配窗口的中心位置标记为待置0
        to_zero[1:-1, 1:-1] |= matches
    
    # 批量置0
    mask[to_zero] = 0
    return mask

依赖OpenCV的实现（速度更快） #

如果允许使用OpenCV，其优化后的模板匹配算法能进一步提升性能：

import cv2
import numpy as np

def remove_dots_fast_cv2(mask, mode='constant', cval=0):
    patterns = [
        np.array([[1, 0, 0],
                  [1, 1, 0],
                  [1, 0, 0]], dtype=np.uint8),
       
        np.array([[0, 0, 1],
                  [0, 1, 1],
                  [0, 0, 1]], dtype=np.uint8),
        
        np.array([[1, 1, 1],
                  [0, 1, 0],
                  [0, 0, 0]], dtype=np.uint8),
        
        np.array([[0, 0, 0],
                  [0, 1, 0],
                  [1, 1, 1]], dtype=np.uint8)
    ]
    
    to_zero = np.zeros_like(mask, dtype=bool)
    mask_uint8 = mask.astype(np.uint8)
    
    for pat in patterns:
        # 使用平方差归一化匹配，完全匹配时结果趋近于0
        result = cv2.matchTemplate(mask_uint8, pat, cv2.TM_SQDIFF_NORMED)
        # 筛选完全匹配的位置
        matches = result < 1e-9
        to_zero[1:-1, 1:-1] |= matches
    
    mask[to_zero] = 0
    return mask

优化说明 #

1. 消除Python循环：原函数的三重循环是性能杀手，优化后的代码通过numpy/OpenCV的向量化操作，将循环逻辑转移到底层C代码执行，避免了Python的迭代开销。
2. 批量处理匹配：一次性生成所有滑动窗口并完成比较，再批量标记需要修改的像素，替代原函数逐个窗口修改的低效方式。
3. 功能一致性：原函数中punches的作用仅为将匹配窗口的中心1置0，因此直接标记中心像素并批量置0，与原函数效果完全一致。

内容的提问来源于stack exchange，提问作者user20874428