如何用Numpy高效遍历像素，提升OpenCV图像处理速度？

你当前用嵌套循环遍历像素的方式效率极低，核心原因是Python原生循环执行速度慢，而Numpy与OpenCV提供的向量化操作能一次性对整个图像数组批量处理，速度可提升几十甚至上百倍。针对你去除灰色背景（RGB值均在150-180之间）和特定绿色线条（B=0、G=169、R=0）的需求，优化后的代码如下：

import cv2
import numpy as np

original_image = cv2.imread(img_f)
image = original_image.copy()  # cv2.imread返回的本身就是Numpy数组，无需额外转换

# 生成灰色背景的布尔掩码：匹配BGR三通道均在150-180区间的像素
grey_mask = (image[:, :, 0] >= 150) & (image[:, :, 0] <= 180) & \
            (image[:, :, 1] >= 150) & (image[:, :, 1] <= 180) & \
            (image[:, :, 2] >= 150) & (image[:, :, 2] <= 180)
# 批量将灰色背景像素设为黑色
image[grey_mask] = [0, 0, 0]

# 生成特定绿色线条的布尔掩码：匹配B=0、G=169、R=0的像素
green_mask = (image[:, :, 0] == 0) & (image[:, :, 1] == 169) & (image[:, :, 2] == 0)
# 批量将绿色线条像素设为黑色
image[green_mask] = [0, 0, 0]

关键优化细节说明： #

• 替换嵌套循环：用Numpy布尔掩码一次性选中所有符合条件的像素，底层由C实现运算，速度远超Python循环。
• 简化数组操作：cv2.imread返回的直接是Numpy数组，无需额外调用np.array()转换。
• 合并掩码进一步提速：如果想减少赋值操作次数，可将两个掩码合并后一次性修改：

  combined_mask = grey_mask | green_mask
  image[combined_mask] = [0, 0, 0]
  

• 通道顺序注意：OpenCV读取图像采用BGR通道顺序，和常规RGB顺序不同，你的原代码逻辑符合这一点，优化时保持一致。

内容的提问来源于stack exchange，提问作者appguy