如何高效修改numpy图像数组中更接近调色板白色的像素颜色？

首先初始化图像和调色板数组：

import numpy as np

# 生成随机图像数组（形状：100x100x3）
img = np.random.rand(100, 100, 3) * 255
# 定义调色板，白色为第一个元素
white = np.array([255,255,255])
red = np.array([255,0,0])
blue = np.array([0,0,255])
palette = np.array([white, red, blue])

核心实现（欧氏距离，优化版） #

利用numpy的广播机制批量计算距离，完全避免逐像素循环，大幅提升速度。这里用平方欧氏距离替代标准欧氏距离（比较大小结果一致，计算更快）：

# 扩展维度实现广播：让图像每个像素和调色板所有颜色逐一计算差值
diff = img[..., np.newaxis, :] - palette[np.newaxis, np.newaxis, ...]
# 计算每个像素到调色板各颜色的平方距离
squared_distances = np.sum(diff ** 2, axis=-1)
# 找到每个像素对应的最近调色板颜色的索引
closest_indices = np.argmin(squared_distances, axis=-1)
# 创建新图像，初始复制原图像
new_img = img.copy()
# 将最近颜色为白色（索引0）的像素替换为白色
new_img[closest_indices == 0] = white

切换距离函数 #

如果需要改用其他距离（比如曼哈顿距离），只需修改距离计算部分：

# 计算曼哈顿距离（绝对差之和）
manhattan_distances = np.sum(np.abs(diff), axis=-1)
closest_indices = np.argmin(manhattan_distances, axis=-1)
new_img = img.copy()
new_img[closest_indices == 0] = white

额外说明 #

• 向量化操作的速度远快于朴素循环，尤其在处理大尺寸图像时优势明显；
• 若坚持使用标准欧氏距离，可将squared_distances替换为np.linalg.norm(diff, axis=-1)，但平方距离的计算效率更高。

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