基于布尔掩码转换NumPy图像数组的高效方法求助

你之前用image & mask失效的原因很直接：布尔数组会被强制转成0（False）和1（True）的整数数组，和RGB值做按位与运算时，比如255 & 1只会得到1，无法保留原值，最终大部分像素被清零，所以全黑。

给你两种高效的无循环解决方案：

方案1：索引赋值（最直观） #

如果掩码和图像是完全相同的尺寸（(988,790,3)），直接通过布尔索引把掩码为False的位置设为0（黑色）：

import numpy as np

# 先复制原数组，避免修改原始图像数据（可选，根据你的需求决定）
masked_image = image.copy()
# ~mask 取反，选中所有掩码为False的位置，赋值为0
masked_image[~mask] = 0

如果你的掩码其实是单通道的（比如(988,790)，很多场景下掩码是单通道的），需要先扩展维度让它匹配RGB的3通道：

# 扩展掩码的最后一维，从(988,790)变成(988,790,1)，NumPy会自动广播到3通道
mask_3d = mask[..., np.newaxis]
masked_image = image.copy()
masked_image[~mask_3d] = 0

方案2：乘法操作（更简洁） #

布尔数组在和数值数组运算时会自动转成0/1，直接相乘就能把False位置清零，True位置保留原值：

# 掩码是3通道的情况
masked_image = image * mask

# 掩码是单通道的情况，先扩展维度再相乘
mask_3d = mask[..., np.newaxis]
masked_image = image * mask_3d

这两种方法都是NumPy的向量化操作，内部用C实现，比Python循环快几个数量级，完全满足效率要求。

内容的提问来源于stack exchange，提问作者greenteam