基于NumPy高效处理掩码图像，获取与指定颜色的最小/最大距离

直接用NumPy的矢量化操作和布尔索引就能搞定，完全不需要逐像素循环，效率提升非常明显，具体步骤如下：

核心思路 #

利用布尔索引快速筛选出掩码值为255的像素，再通过NumPy的向量运算批量计算欧氏距离，最后直接取极值。

具体实现 #

1. 生成布尔掩码：将原掩码数组转换为布尔类型，标记出需要计算的像素位置
2. 提取目标像素：通过布尔索引从图像数组中直接取出所有符合条件的像素，得到一个形状为(N, 3)的数组（N为掩码为255的像素数量）
3. 批量计算距离：用NumPy的linalg.norm计算每个像素与参考颜色的欧氏距离（等价于你给出的公式，但底层优化更高效）
4. 获取极值：直接调用数组的min()和max()方法得到结果

完整代码示例 #

import numpy as np

# 假设已有输入：image是(480,640,3)的图像数组，mask是(480,640)的掩码数组
reference_color = (r, g, b)  # 替换为你的参考颜色值，比如(255, 0, 0)

# 1. 创建布尔掩码
valid_mask = mask == 255

# 2. 提取掩码对应的像素
target_pixels = image[valid_mask]

# 3. 批量计算欧氏距离
distances = np.linalg.norm(target_pixels - reference_color, axis=1)

# 4. 获取最小和最大距离
min_dist = distances.min()
max_dist = distances.max()

效率说明 #

• 完全规避了Python层的循环开销，所有计算都在NumPy的C底层执行，处理480x640的图像几乎是瞬间完成
• 布尔索引仅提取需要计算的像素，节省内存的同时减少了不必要的计算量

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