如何高效将像素数据字符串转换为图像掩码？

我把图像像素数据以字符串形式存储，比如2x2像素的图像对应4字符长度的字符串（如'0100'，其中1代表白色像素），目标是将其转换为图像掩码。
注：像素表示不限于0和1，可使用任意两种不同字符，比如'bwwb'中b代表黑色像素、w代表白色像素。该字符串作为Python输入，可转换为numpy数组等格式。

字符串中像素数据的存储顺序示例：

• 'bwwb'对应的矩阵为：

  w b
  b w
  

• 3x3图像的字符串'wbbbwbwbw'对应矩阵为：

  w b w
  b w b 
  w b b
  

我当前用以下方法生成图像掩码，但嵌套循环效率过低，想找更高效的实现方式（比如借助numpy或cv2）：

mask = np.zeros((height,width,3), dtype=np.uint8)

for ph in range(height):
    for pw in range(width):
        index = ph + pw
        pixel_value = pixel_string[index]

        if pixel_value == 'w':
            mask[ph,pw] = 255

高效实现方案（基于Numpy） #

嵌套循环在处理大尺寸图像时效率极低，用Numpy的向量化操作可以大幅提升速度，步骤如下：

1. 将字符串转换为Numpy数组：把像素字符串转成一维字符数组，方便后续批量操作。
2. 重塑为目标尺寸：根据指定的height和width，将一维数组重塑为二维矩阵，注意匹配你给定的像素存储顺序（示例中字符串按列存储像素，需通过转置修正索引映射）。
3. 生成掩码矩阵：通过布尔索引快速将目标字符（如'w'）映射为255，其余为0，再扩展为3通道的RGB格式。

代码示例 #

import numpy as np

def str_to_mask(pixel_string, height, width, white_char='w'):
    # 1. 转换为一维numpy字符数组
    str_arr = np.array(list(pixel_string), dtype='U1')
    # 2. 重塑为对应尺寸的二维数组（匹配示例中的列优先存储顺序）
    mask_2d = str_arr.reshape(width, height).T
    # 3. 生成二值掩码并扩展为3通道
    mask = np.where(mask_2d == white_char, 255, 0).astype(np.uint8)
    mask_3d = np.repeat(mask[..., np.newaxis], 3, axis=-1)
    return mask_3d

验证示例 #

处理2x2的字符串'bwwb'：

mask = str_to_mask('bwwb', height=2, width=2)
print(mask)

输出（对应示例中的矩阵）：

[[[255   0   0]
  [  0   0   0]]

 [[  0   0   0]
  [255   0   0]]]

关键说明 #

• 向量化操作：Numpy的reshape、where、repeat都是底层优化的向量化操作，比Python循环快几个数量级，尤其适合大尺寸图像。
• 索引修正：原代码的index=ph+pw逻辑不符合示例的存储顺序，示例中字符串按列存储像素，正确的索引映射是pw*height + ph，通过reshape(width, height).T实现转换。
• 灵活性：可通过修改white_char参数适配不同的像素标识字符（比如'1'、'W'等）。

如果需要用OpenCV进一步处理，直接将生成的Numpy数组传入cv2函数即可，OpenCV的图像格式本身就是Numpy数组（此处3通道为灰度转RGB，BGR/RGB顺序不影响）。

内容的提问来源于stack exchange，提问作者shunara